人工智能在肝细胞癌的治疗计划

肝脏疾病是死亡的主要原因。据统计,肝癌是世界第五大和八最常见的恶性肿瘤在男性和女性中,分别。其中肝脏的恶性肿瘤,原发性肝细胞癌(HCC)和大肠癌转移最常见和数量~ 500000 ~ 700000年每年新发病例,分别。肝脏图像分割任何治疗计划是第一个,也是最重要的一步。肝脏形态学上的信息可以从医学扫描获得如先生、CT,宠物,SPECT等等细分也对理解疾病/感染进展至关重要。

有时,体积测量需要治疗计划;这也可以获得适当的图像分割。有另一个相当的影像学特征
在临床医生,因为没有辐射,减少成本,这是超声(美国)。尽管我们成像的优点,临床医生和外科医生面临几个挑战在我们使用图片。

他们中的一些人是:
1)我们的质量形象通常是可怜的广泛存在散斑噪声和阴影。具体来说,肋骨和肺的影子可以覆盖的某些部分肝脏,添加分析困难。
2)解剖边界通常不清楚由于频繁出现的工件成像和反射声波从不同回声的组织。例如,肝脏的边界常常与隔膜使肝脏的精确边缘模糊。
3)感兴趣的区域的形状和大小(ROI)可能发生显著的变化,这取决于美国调查的方向和位置。
4)其他解剖结构的存在具有类似回声附近的ROI很难描述,例如,肾脏、脾脏等。
5)难以识别小ROI(如肝损伤,门静脉分支,肝动脉)由于低对比度的本质。

所有这些挑战使我们实时肝脏的手工分析困难,耗时且依赖运营商。克服这些障碍的一个方法是通过精确描述ROI(即。实时、肝脏),允许临床医生检测肝脏在其他器官/组织在我们机器上显示。这个提纲也可以帮助他们执行一个简单的分析和诊断肝条件。手术和治疗过程可能会进一步使用美国实时分割方法来提高程序的准确性,同时降低健康组织的损伤。

一般来说,手动分割相当繁琐,忙碌,因此,计算机生成的分割算法是必要的。多年来,一些传统的分割算法的基础上提出了不同的方法,包括区域增加,阈值,分水岭,主动轮廓,聚类等。

最近,一些基于深度学习(DL)技术在自动化过程中引起了广泛的关注,实现更高的分割精度。这些DL-methods肯定会增加人工智能在自动化的方向迈进一大步——分割过程。

由于医学图像分割领域相当广泛,我们的目标是关注下列主题,临床和技术:
•肝细胞癌治疗计划干预,切除和移植。我们希望贡献目前肝癌的治疗方法,包括:规划、潜在的治疗方法,缺点/挑战,死亡率或发病率统计数据。
•内存高效三维卷积神经网络对肝脏CT,先生和图像分割我们期望贡献在重量轻和内存高效的神经网络。此外,我们期望贡献实时肝脏分割方法,会被认为是人工智能。
•在神经网络估计的不确定性。有几个网络;我们希望两个审查论文提及目前的神经网络的局限性。此外,我们可能期望原作脱胚神经网络估计的不确定性。
•不确定性估计在分割。我们预期的贡献可能神经网络的不确定性而申请实时肝脏分割。这可能包括性能(精度),用户友好性等。