基于深度学习的算法可以提高医学影像分析。例如，这些算法可以确定肿瘤的位置和大小。这是AutoPET国际医学影像分析竞赛的结果，卡尔斯鲁厄理工学院（KIT）的研究人员在这次竞赛中排名第五。七支最佳的AutoPET团队在《自然机器智能》杂志上报告了如何使用算法在正电子发射断层扫描（PET）和计算机断层扫描（CT）中检测肿瘤病变。
成像技术在癌症诊断中起着关键作用。精确确定肿瘤的位置、大小和类型对于选择正确的治疗方案至关重要。最重要的成像技术包括正电子发射断层扫描（PET）和计算机断层扫描（CT）。
PET利用放射性核素来可视化体内的代谢过程。恶性肿瘤的代谢率远高于良性组织。为此，通常使用放射性标记的葡萄糖，特别是氟-18-脱氧葡萄糖（FDG）。在CT中，身体通过X射线管逐层扫描，以可视化解剖结构并定位肿瘤。
自动化可以节省时间和提高评估效果
癌症患者有时会有数百个病灶，即由肿瘤生长引起的病理变化。为了获得统一的图像，需要捕捉所有病灶。医生通过手动标记2D切片图像来确定肿瘤病灶的大小，这是一个极其耗时的任务。
“使用算法进行自动化评估可以节省大量时间并提高结果的准确性，”卡尔斯鲁厄理工学院计算机视觉与人机交互实验室（cv:hci）主任Rainer Stiefelhagen教授解释说。
Stiefelhagen和cv:hci的博士生Zdravko Marinov参加了2022年的国际AutoPET竞赛，在27支参赛队伍中排名第5，共有359名来自世界各地的参与者。卡尔斯鲁厄的研究人员与埃森IKIM（医学人工智能研究所）的Jens Kleesiek教授和Lars Heiliger组成了一个团队。
由图宾根大学医院和慕尼黑大学医院LMU组织的AutoPET结合了成像和机器学习。任务是自动分割全身PET/CT上可视化的代谢活性肿瘤病灶。
为了训练算法，参赛团队可以访问一个大型注释的PET/CT数据集。所有提交到竞赛最终阶段的算法都基于深度学习方法。这是一种使用多层人工神经网络来识别大量数据中的复杂模式和相关性的机器学习变体。AutoPET竞赛中表现最好的七支团队现在已经在他们的文章中报告了自动化分析医学影像数据的可能性。
算法集成在检测肿瘤病灶方面表现出色
研究人员在他们的出版物中解释说，顶级算法的集成被证明优于单个算法。算法集成能够高效且精确地检测肿瘤病灶。
“虽然算法在图像数据分析中的性能部分取决于数据的数量和质量，但算法设计是另一个关键因素，例如关于预测分割的后处理决策，”Stiefelhagen解释说。
需要进一步研究以改进算法，使其对外部影响更具抵抗力，以便能够在日常临床实践中使用。目标是在不久的将来完全自动化医学PET和CT影像数据的分析。
(全文结束)
