| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.63 MB | Adobe PDF |
Authors
Abstract(s)
Cancer is one of the leading causes of death worldwide, and that can be prevented through early detection and effective treatment of malignancies. Hence, tumour identification and segmentation take a vital part in the early detection of lesions, as well as in radiotherapy procedures, and surgical planning. At present, manual segmentation is the gold standard, which remains a daunting challenge as it is time-consuming, labour intensive, tedious, and highly subjective, since introduces inter- and intra-operator variability. Thereby, the paramount purpose of this internship was to apply, optimise and assess the feasibility of deep learning-based techniques for the automatic identification and segmentation of malignant lesions in whole-body [18F]FDG PET/CT images. Hence, three different datasets were used to train different networks: CT images for spleen segmentation; [18F]FDG PET/CT with suspected malignant lesions; and lesions suggestive of lymphoma on whole-body PET images. Subsequently, a 3D U-net architecture was developed and optimised for automatic identification and segmentation of the objects of interest. Due to GPU computational capacity limitations, several approaches needed to be implemented for the 3D U-net training process and inference testing. The Dice coefficient (DC) was used as an overlap measure between the ground truths and the resulting segmentations. The first dataset achieved the highest median DC of 0.57 using the network with the transfer learning method and a CT intensity normalisation of [-250; 250]. Regarding the second dataset, the median DC obtained was 0.28, when the 3D U-net was trained with patches of 48×48×48. Finally, the third dataset achieved a median DC of 0.41, whereas the patch size was 64×64×64 voxels on a U-net configuration with one less layer. In conclusion, fully automatic segmentation methods based on deep learning techniques for lesion identification and segmentation need clinical supervision for verification and adjustments. For now, this method is unacceptable to use in clinical practice alone, since it is not robust enough.
O cancro é uma das primordiais causas de morte mundialmente, podendo ser prevenida através de uma deteção precoce e do tratamento eficaz das lesões malignas. Deste modo, a identificação e segmentação de tumores têm um papel fundamental na deteção precoce de lesões, bem como na radioterapia e no planeamento cirúrgico. Atualmente, embora a segmentação manual seja o padrão-ouro, este é um método demorado, trabalhoso, tedioso e altamente subjetivo, pois introduz variabilidade inter- e intra-operador. Assim sendo, o objetivo primário deste estágio foi aplicar, otimizar e avaliar a viabilidade de técnicas baseadas em deep learning para a identificação e segmentação automática de lesões malignas em imagens de corpo inteiro [18F]FDG PET/TC. Por conseguinte, três conjuntos diferentes de dados foram utilizados para treinar redes neuronais distintas: imagens de TC para a segmentação do baço; imagens [18F]FDG PET/TC com suspeitas de lesões malignas; e lesões sugestivas de linfoma em imagens PET de corpo inteiro. Posteriormente, uma arquitetura U-net em 3D foi desenvolvida e otimizada para a identificação e segmentação automática dos objetos de interesse. Devido às limitações da capacidade computacional da GPU, várias abordagens foram implementadas para o processo de treino da rede e para testes de inferência. O coeficiente de Dice (CD) foi utilizado como medida de sobreposição entre as segmentações. Deste modo, o primeiro conjunto de dados alcançou a mediana de CD mais elevada, 0.57, utilizando a rede treinada através do método de aprendizagem por transferência e com uma normalização de intensidade TC de [-250; 250]. O CD obtido no segundo conjunto de dados alcançou uma mediana de 0.28, quando a 3D U-net foi treinada com patches de 48×48×48 vóxeis. Finalmente, o terceiro conjunto de dados obteve uma mediana de CD de 0.41, onde o tamanho do patch foi de 64×64×64 vóxeis numa configuração da U-net com uma camada a menos. Concluindo, os métodos de segmentação totalmente automáticos baseados em técnicas de deep learning para a identificação e segmentação de lesões malignas continuam a necessitar de supervisão clínica para verificação e correção. Por enquanto, é inaceitável utilizar este método na prática clínica de uma forma independente, uma vez que não é suficientemente robusto.
O cancro é uma das primordiais causas de morte mundialmente, podendo ser prevenida através de uma deteção precoce e do tratamento eficaz das lesões malignas. Deste modo, a identificação e segmentação de tumores têm um papel fundamental na deteção precoce de lesões, bem como na radioterapia e no planeamento cirúrgico. Atualmente, embora a segmentação manual seja o padrão-ouro, este é um método demorado, trabalhoso, tedioso e altamente subjetivo, pois introduz variabilidade inter- e intra-operador. Assim sendo, o objetivo primário deste estágio foi aplicar, otimizar e avaliar a viabilidade de técnicas baseadas em deep learning para a identificação e segmentação automática de lesões malignas em imagens de corpo inteiro [18F]FDG PET/TC. Por conseguinte, três conjuntos diferentes de dados foram utilizados para treinar redes neuronais distintas: imagens de TC para a segmentação do baço; imagens [18F]FDG PET/TC com suspeitas de lesões malignas; e lesões sugestivas de linfoma em imagens PET de corpo inteiro. Posteriormente, uma arquitetura U-net em 3D foi desenvolvida e otimizada para a identificação e segmentação automática dos objetos de interesse. Devido às limitações da capacidade computacional da GPU, várias abordagens foram implementadas para o processo de treino da rede e para testes de inferência. O coeficiente de Dice (CD) foi utilizado como medida de sobreposição entre as segmentações. Deste modo, o primeiro conjunto de dados alcançou a mediana de CD mais elevada, 0.57, utilizando a rede treinada através do método de aprendizagem por transferência e com uma normalização de intensidade TC de [-250; 250]. O CD obtido no segundo conjunto de dados alcançou uma mediana de 0.28, quando a 3D U-net foi treinada com patches de 48×48×48 vóxeis. Finalmente, o terceiro conjunto de dados obteve uma mediana de CD de 0.41, onde o tamanho do patch foi de 64×64×64 vóxeis numa configuração da U-net com uma camada a menos. Concluindo, os métodos de segmentação totalmente automáticos baseados em técnicas de deep learning para a identificação e segmentação de lesões malignas continuam a necessitar de supervisão clínica para verificação e correção. Por enquanto, é inaceitável utilizar este método na prática clínica de uma forma independente, uma vez que não é suficientemente robusto.
Description
Keywords
[18F]FDG PET/CT Malignant lesions Deep learning Fully automatic segmentation Lesões malignas Segmentação totalmente automática