基于深度学习的CT图像颈动脉包绕自动检测与头颈鳞癌评估

《Scientific Reports》：Automated detection of carotid artery encasement on CT scans using an AI-driven approach

　　

摘要

颈动脉包绕可给头颈部鳞状细胞癌的外科切除术带来复杂性，增加手术风险。由于肿瘤与颈动脉的距离相近而导致的不完全切除，可能通过促进肿瘤复发而影响长期预后。本研究利用人工智能检测CT图像中的颈动脉包绕。CT图像和肿瘤掩膜来源于国家癌症研究所的CPTAC-HNSCC数据集。研究纳入了100例患者，共获得1,367张存在肿瘤的图像。对于头颈鳞癌分割，基于CT图像对预训练的ResNet-50骨干网络的U-Net模型进行了微调。颈动脉分割使用SAM-Med2D基础模型完成。两个模型分别返回了肿瘤和颈动脉的分割结果。通过计算模型提供的掩膜之间的最小距离和包绕角度来评估包绕程度。在验证中，肿瘤分割模型的平均F1分数为86%，交并比分数为75%，其中肿瘤类别的IoU为73%，非肿瘤类别为99%。颈动脉分割在使用边界框方法时效果最佳，准确率达到79%。两个模型均成功应用于同一图像以进行最终评估。本研究开发了一种评估CT图像中颈动脉包绕的自动化方法，展示了未来临床应用的广阔前景。