《Scientific Reports》:Intelligent diagnosis of ovarian cancer in PET/CT imaging based on KiteNet-MobileNetv3 fusion and CarveMix augmentation
编辑推荐:
本研究针对PET/CT影像中卵巢肿瘤分析依赖临床医生主观经验的问题,研发了一种深度学习辅助诊断框架。该研究设计了融合U-Net-MobileNetv3与KiteNet的混合分割架构,并采用改进的ConvNeXt分类模型。结果表明,所提方法在分割任务上Dice系数达0.826,分类准确率达0.912,显著优于多种基线模型,为卵巢癌的精准定位与良恶性判别提供了有效的智能工具。
卵巢癌是女性生殖系统常见的恶性肿瘤之一,其致死率高居妇科癌症首位,严重威胁女性健康。在临床诊疗中,正电子发射计算机断层显像(PET/CT)技术因其能够同时提供病灶的代谢功能信息和精确解剖定位,被广泛用于卵巢癌的诊断、分期与疗效评估。然而,对PET/CT图像的分析与判读高度依赖放射科医生的专业经验,这一过程不仅耗时费力,而且存在主观差异,可能导致诊断不一致或微小病灶的漏诊。如何实现对卵巢肿瘤的自动化、精准化分析,以辅助临床决策、提升诊断效率与一致性,已成为医学影像分析领域亟待解决的关键问题。
为此,研究人员开展了一项基于深度学习技术的PET/CT卵巢肿瘤智能诊断研究。该研究旨在构建一个能够同步完成肿瘤精准分割与良恶性自动判别的端到端框架。研究团队创新性地提出了一种混合分割网络,将擅长捕捉全局结构的U-Net-MobileNetv3与专注于病灶边缘细节的KiteNet进行融合。为了应对医学影像数据有限、病灶形态多变带来的挑战,研究引入了病灶感知的CarveMix数据增强技术,并采用Dice-CE联合损失函数来优化模型训练。在分类任务中,研究以ConvNeXt网络为骨干,并辅以Mixup数据增强策略来提升模型的泛化能力与鲁棒性。这项研究工作为开发临床可用的卵巢癌智能辅助诊断工具提供了重要的技术验证与理论基础,相关成果发表在《Scientific Reports》期刊上。
为开展此项研究,作者主要采用了以下几项关键技术方法:首先,研究基于1228张卵巢肿瘤PET/CT图像构建了数据集。在模型设计上,分割部分创新性地融合了U-Net-MobileNetv3与KiteNet架构,并应用了病灶感知的CarveMix数据增强和Dice-CE损失函数。分类部分则以ConvNeXt为骨干网络,并使用了Mixup数据增强技术。模型性能通过Dice相似系数(Dice Similarity Coefficient)和准确率(Accuracy)等指标进行评估,并与U-Net、DeepLabv3、DenseNet、Swin-Transformer等多种主流模型进行了对比实验。
研究结果
1. 分割模型性能显著超越基线模型
通过对比实验评估所提出的混合分割模型性能。结果表明,本研究提出的融合模型在测试集上取得了0.826的Dice系数。该性能显著优于所有参与对比的基线模型,包括标准的U-Net(0.667)、U-Net-MobileNetv3(0.773)、U-Net-VGG(0.747)、全卷积网络(FCN,0.634)、DeepLabv3(0.744)以及单独的KiteNet模型(0.444)。这一结果证明,所设计的融合架构能够有效结合不同网络的优势,在卵巢肿瘤分割任务上实现了更优的精度。
2. 分类模型实现高精度良恶性判别
在卵巢肿瘤良恶性分类任务上,基于改进的ConvNeXt模型展现了卓越的性能。该模型取得了0.912的分类准确率。与当前先进的图像分类模型相比,其性能超过了标准的ConvNeXt(0.907)、DenseNet(0.898)、EfficientNet(0.895)以及Swin-Transformer(0.848)。这证实了以ConvNeXt为骨干并结合Mixup数据增强的策略,能够有效提升模型对卵巢肿瘤影像特征的判别能力,从而实现可靠的自动化分类。
3. 消融实验验证各模块有效性
研究通过消融实验分析了所提方法中各个关键组成部分的贡献。实验证实,将U-Net-MobileNetv3与KiteNet融合的架构比任一单独网络能获得更高的分割精度。同时,病灶感知的CarveMix数据增强策略相较于传统的数据增强方法,能更有效地提升模型对不规则、小体积病灶的分割鲁棒性。在分类任务中,Mixup数据增强的加入显著提升了ConvNeXt模型的泛化能力,减少了过拟合。Dice-CE联合损失函数也在优化分割边界方面发挥了重要作用。
结论与讨论
本研究成功开发并验证了一种新颖的深度学习框架,用于PET/CT影像中卵巢肿瘤的同步分割与分类。核心结论包括:第一,所提出的混合分割架构(融合U-Net-MobileNetv3与KiteNet)在病灶分割任务中达到了0.826的Dice系数,其性能显著优于U-Net、DeepLabv3等经典分割模型,表明该架构在联合捕捉肿瘤全局结构与精细边缘细节方面具有优势。第二,基于ConvNeXt并辅以Mixup增强的分类模型实现了0.912的准确率,在良恶性判别任务上超越了DenseNet、Swin-Transformer等模型,展现了其作为可靠分类工具的潜力。
这项研究的意义在于,它为解决临床PET/CT影像分析主观性强、效率不一的问题提供了一种全自动的解决方案。所提出的方法能够同时输出肿瘤的精确轮廓(分割)和良恶性概率(分类),这相当于为临床医生提供了一个“双功能”的智能助手,有望辅助实现更高效、更一致的诊断评估,特别是在基层医院或经验不足的医生中具有应用前景。尽管研究在内部数据集上取得了良好效果,但未来仍需在更大规模、多中心的外部数据集上进行验证,并进一步探索模型的可解释性,以推动其向临床实际应用转化。总体而言,该工作为人工智能赋能卵巢癌精准诊疗提供了有力的技术支撑和新的研究方向。