你在这里

  • 家
  • 存档
  • 68年卷7
  • 计算机辅助诊断中使用深度学习的评价早期食管腺癌

条文本

菜单条

下载PDF

XML
内窥镜检查的消息
计算机辅助诊断中使用深度学习的评价早期食管腺癌
  1. 阿兰娜Ebigbo1,
  2. 罗伯特·孟德尔2,
  3. Andreas Probst1,
  4. 约翰内斯Manzeneder1,
  5. Luis de Souza安东尼奥2,3,
  6. 若昂P爸爸2,3,
  7. Christoph棕榈2,4,
  8. 赫尔穆特•Messmann1
  1. 1三世Medizinische Klinik,Klinikum奥格斯堡,奥格斯堡、德国
  2. 2雷根斯堡医学影像计算(ReMIC)科技Hochschule Ostbayerische雷根斯堡(OTH雷根斯堡)大国——德国,雷根斯堡、德国
  3. 3部门计算,圣保罗州立大学,圣保罗、巴西
  4. 4雷根斯堡健康科学和技术中心(RCHST),另外一些Regensburg-Germany,雷根斯堡、德国
  1. 对应到阿兰娜博士Ebigbo,三世。86156年Medizinische Klinik, Klinikum奥格斯堡,奥格斯堡,德国;alanna.ebigbo在{}klinikum-augsburg.de教授Christoph棕榈Ostbayerische科技Hochschule雷根斯堡,93053年雷根斯堡,德国;christoph.palm在{}oth-regensburg.de

http://dx.doi.org/10.1136/gutjnl - 2018 - 317573

来自Altmetric.com的统计

    请求的权限

    如果你想重用任何或所有本文的请使用下面的链接,这将带你到版权税计算中心的RightsLink服务。你将能够获得快速的价格和即时允许重用内容在许多不同的方式。

    消息

    计算机辅助诊断使用深度学习(CAD-DL)可能是一个仪器来提高内镜巴雷特食管的评语(是)和早期食管腺癌(EAC)。从两个数据库,基于静态图像的诊断EAC CAD-DL达到敏感性和特异性的97% / 88%(奥格斯堡数据)和92% / 100%(医学影像计算和计算机辅助干预[MICCAI]数据)白光(WL)图像和94% / 80%窄带图像(NBI)(奥格斯堡数据),分别。肿瘤边缘并由专家进入图像检测圆满骰子系数(D0.72)。这可能是一个被评估CAD-DL的第一步。如果进一步发展,它可能成为一个有用的病人管理的辅助工具。

    更详细地

    是西方和EAC的发病率显著上升,因为其与代谢综合征密切联系预计这一趋势将继续。1 - 3CAD的报告主要分析使用手工制作的特性基于纹理和色彩。4 - 7在我们的研究中,两个数据库(奥格斯堡数据和医学影像计算和计算机Assisted-Intervention [MICCAI]数据)被用来训练和测试一个CAD系统的基础上深卷积神经网络(CNN)剩余净(ResNet)架构。8图片包括148高清(1350×1080像素)西城和NBI 33早期EAC和41 non-neoplastic巴雷特在奥格斯堡的粘膜领域的数据集,而MICCAI数据集包含100高清(1600×1200像素)西城images-17 EAC和22个地区早期non-neoplastic巴雷特的粘膜。所有图片都是病态验证这担任地面实况分类任务。手册描述肿瘤边缘的专家是分割任务的参考标准。

    ResNet由100层。培训和后续测试是完全相互独立的使用“leave-one-patient-out交叉验证”的原则。培训,小片产生的内镜彩色图像和增强模拟类似的同一类的实例(图1)。类的概率估计每个补丁的测试图像然后在分类任务,之后决定完整图像的类被编译从补丁类概率。

    Illustration of the deep learning system. The training of the Augsburg data (top row) is done for three classes (EAC: orange; background: blue; and Barrett: green) after patch extraction and augmentation. The patch sampling for the test image is done equidistantly (bottom row) in contrast to the training patch extraction (top row). The probability of EAC class is stored in the image result for the size of the patch sampling offset. EAC, early oesophageal adenocarcinoma.
    " data-icon-position="" data-hide-link-title="0">图1
    图1

    插图的深度学习系统。奥格斯堡的训练数据(上面一行)完成3类(EAC:橙色;背景:蓝色;和巴雷特:绿色)补丁后提取和扩充。补丁测试图像做等距抽样(底行)与培训补丁提取(上面一行)。EAC类存储在图像的概率结果补丁采样偏移量的大小。EAC,早期食管腺癌。

    使用奥格斯堡数据,CAD-DL系统诊断EAC的敏感性为97%,特异性为88%王图像、敏感性和特异性的NBI图像为94%和80%,分别。CAD-DL实现92%和100%的敏感性和特异性分别为MICCAI图像。十三个英国,显示相同的西城图像,达到平均76%和80%的敏感性和特异性奥格斯堡MICCAI数据集的数据和99%和78%,分别。McNemar检验法测试显示统计学意义表现CAD-DL系统11 13个英国的奥格斯堡数据敏感性和特异性或两者兼而有之。

    重叠的测量(骰子系数D专家CAD-DL)之间的分割,计算了由CAD-DL癌变(正确分类的图像图2)。的平均值D= 0.72是奥格斯堡的计算数据,同样对西城和NBI图像。在MICCAI数据中,D平均为0.56。

    Automatic tumour segmentations on Augsburg image (A, B) and MICCAI image (C, D) are shown by green contours overlaid on the original images and the pseudocoloured, patch-based probability maps. For comparison, the manual segmentations of an expert are drawn in red. Note that the CAD-DL segmentation is restricted to the area indicated by the orange dashed line. CAD-DL, computer-aided diagnosis using deep learning; MICCAI, Medical Image Computing and Computer-Assisted Intervention.
    " data-icon-position="" data-hide-link-title="0">图2
    图2

    自动在奥格斯堡肿瘤分割图像(A, B)和MICCAI图像(C, D)所示的绿色覆盖在原始图像和pseudocoloured轮廓,patch-based概率地图。相比之下,手动分割的专家是红色的。注意该地区CAD-DL分割仅限于橙色虚线所示。使用深度学习CAD-DL、计算机辅助诊断;MICCAI,医学影像计算和计算机辅助干预。

    找到更多的细节在线补充材料的方法和结果。

    评论

    在这个手稿,我们扩展我们的研究在CNN在分析之前,9并演示性能优良的分数(敏感性和特异性)早期EAC使用深度学习的计算机辅助诊断方法。除了分类任务,肿瘤区域的自动分割基于癌症概率深度学习系统提供的显示出可喜的成果。

    然而,这项研究的结果是初步的,只是在现实生活中实现的第一步。所涉及的实验设置的评估最优内窥镜图像。此外,视频序列没有评估的一部分,和图片仅限于持平或EAC升高,而高档/低度发育不良是不包括在分析中。出于这个原因,未来的工作应该关注CAD系统的进一步发展,协助英国立即现场和在现实生活中的内窥镜视频序列包括低级/高档发育不良。

    进一步限制我们的评估涉及组织学参考标准用于分类的任务,即我们认为癌症是均匀地扩散到整个病变。然而,癌症是一个统一的地区的想法并非总是如此。通常,多病灶的补丁的癌症,巴雷特发育异常和正常的粘膜是分散在表面的损伤。然而,由于图像被归类为癌症根据patch-specified概率,作者并不认为上述组织模式的性能有决定性影响CAD-DL系统。

    最后,用于分割任务的参考标准是基于宏观品提供的专家,而不是组织的利润。在奥格斯堡的数据集,这些描绘总是由一个专家,而在MICCAI数据集的交集区域五专家作为地面真理。出于这个原因,我们假设使用的参考标准细分任务仍有一个高水平的有效性。然而,即使我们CAD-DL系统肿瘤分割的结果被认为至关重要的是,它仍然拥有大量的承诺作为更好的可视化工具肿瘤利润率,但可能需要进一步改进和提高。

    总之,我们已经表明,CAD-DL深的基础上可以训练神经网络分类病变与高水平的准确性。此外,一个粗略的自动分割的肿瘤区域是有可能的。然而,CAD-DL不足的诊断能力最佳的真实图像以及视频序列需要评估在临床实施之前可以考虑。至少,这个试点研究可能表明CAD与深度学习有潜力成为英国一个重要的附加面临肿瘤检测和描述的挑战。

    引用

    1. 1。↵
      2. LagergrenJ,
      3. LagergrenP
      。食道癌。BMJ2010年;341年:c6280。doi: 10.1136 / bmj.c6280
      OpenUrl 免费的全文
    2. 2。↵
      2. 科尔曼HG,
      3. 谢上海,
      4. LagergrenJ
      。食管腺癌的流行病学。胃肠病学2018年;154年:390年- - - - - -405年。doi: 10.1053 / j.gastro.2017.07.046
      OpenUrl
    3. 3所示。↵
      2. DrahosJ,
      3. 堆垛机W,
      4. 帕森斯R,等
      。代谢综合征的风险增加巴雷特食管胃食管返流的缺失:SEER-Medicare数据的分析。中国新药杂志2015年;49:282年- - - - - -8。doi: 10.1097 / MCG.0000000000000119
      OpenUrl
    4. 4所示。↵
      2. Klomp年代,
      3. van der SommenF,
      4. 压模器f,等
      。评价图像的特性和分类方法巴雷特的癌症检测使用呋喃成像。在。学报学报医学成像。2017年;10134年:101340 d。
      OpenUrl
    5. 5。↵
      2. van der SommenF,
      3. 不寻常的事物年代,
      4. Curvers王,等
      。计算机辅助检测早期肿瘤病变的巴雷特食管。内窥镜检查2016年;48:617年- - - - - -24。doi: 10.1055 / s - 0042 - 105284
      OpenUrl
    6. 6。↵
      2. de Souza拉,
      3. 钩C,
      4. 爸爸摩根大通,等
      。巴雷特食管分析使用上网功能:在。Bildverarbeitung毛皮Medizin死去:施普林格,2017年:141年- - - - - -6。
    7. 7所示。↵
      2. de Souza拉,
      3. 阿方索LCS,
      4. 棕榈C,等
      ;巴雷特食管的识别使用优化路径森林,30日SIBGRAPI图形、会议(SIBGRAPI模式和图像,2017年:308年- - - - - -14。
    8. 8。↵
      2. 他K,
      3. 张X,
      4. 任年代,等
      。深层残留图像识别的学习:在。《IEEE计算机视觉与模式识别会议,2016年:770年- - - - - -8。
    9. 9。↵
      2. 孟德尔R,
      3. Ebigbo一个,
      4. Probst一个,等
      。巴雷特食管分析使用卷积神经网络:在。Bildverarbeitung毛皮Medizin死去:施普林格,2017年:80年- - - - - -5。

    脚注

    • AE和RM同样起到了推波助澜的作用。

    • 贡献者AE:研究概念和设计,起草的手稿,分析和解释数据,关键的修订手稿。RM:研究概念和设计,软件实现,起草的手稿,分析和解释数据,关键的修订手稿。美联社:研究概念和设计,采集的数据,起草的手稿,关键的修订手稿,研究监督。JM:研究概念和设计,采集的数据,关键的修订手稿。小伙子:统计分析,重要的修订手稿。JPP:统计分析,重要的修订手稿,研究监督。CP:研究概念和设计,起草的手稿,分析和解释数据,统计分析,重要的修订手稿,管理和技术支持,研究监督。嗯:研究概念和设计,采集的数据,起草的手稿,关键的修订手稿,管理和技术支持,研究监督。

    • 资金作者感谢斗篷/亚历山大•冯•洪堡基金会(格兰特号码#咳嗽0581-16-0)和德意志Forschungsgemeinschaft(批准号PA 1595/3-1)。

    • 相互竞争的利益没有宣布。

    • 病人的同意不是必需的。

    • 伦理批准Beratungskommission毛皮Klinische大幅减退是Klinikum奥格斯堡。

    • 出处和同行评议不是委托;内部同行评议。