Vollautomatische Pipeline zur Erkennung und Segmentierung von nicht-kleinzelligem Lungenkrebs (NSCLC) auf CT-Bildern

In dieser Studie wollen wir eine automatisierte Deep-Learning-Erkennungs- und Segmentierungssoftware für nicht-kleinzelligen Lungenkrebs (NSCLC) entwickeln und testen, die Tumore auf CT-Scans automatisch erkennen und segmentieren und so die menschliche Variation reduzieren kann. Wir werden den Grad der Übereinstimmung zwischen einer Gruppe von Radiologen bewerten, die eine manuelle versus halbautomatische Tumorsegmentierung durchführen. Dazu stellen wir Radiologen zwei CT-Scans zur Verfügung. Der erste Satz wird manuell segmentiert; der zweite wird unter Verwendung des automatisierten Softwareprogramms segmentiert.

Anschließend werden wir die Inter- und Intra-Observer-Varianz aus der klinischen Studie in einer Simulations- oder Modellierungsstudie verwenden. Wir vergleichen auch die benötigte Zeit und die Konsistenz der Segmentierungen durch die Software mit der Leistung der Ärzte.

Zuverlässigkeits- und Übereinstimmungsstudie:

Primärtumoren von 25 Lungenkrebspatienten werden von 6 Segmentierungsexperten abgegrenzt.

1. Beurteilung der Übereinstimmung zwischen automatischer Segmentierung und Segmentierung durch Radiologen Die Primärtumoren von 25 Patienten werden manuell von den Radiologen und automatisch vom Tool segmentiert. Die für diese Aufgabe benötigte Zeit und die Reproduzierbarkeit der Segmentierung werden aufgezeichnet. Der Grad der Überlappung zwischen den ROs und der automatischen Kontur wird paarweise unter Verwendung des Würfelkoeffizienten bewertet.
2. Abgrenzung von Tumoren durch die Experten, unterstützt durch das Softwaretool Für weitere 25 Patienten erhalten die Experten eine automatische Abgrenzung, die vom Tool durchgeführt wird. Sie haben die Möglichkeit, es anzupassen und zu validieren. Die benötigte Zeit wird erfasst. Die Differenz zwischen dem mittleren Überlappungsanteil in der ersten Situation (manuelle Abgrenzung der Experten) und der zweiten Situation (Abgrenzung der Experten + Softwaretool) wird unter Verwendung eines Multi-Observer-Dice-Koeffizienten bewertet.
3. Bewertung der Intra-Observer-Varianz Die Experten werden die Segmentierung der Lungentumoren nach 2 Wochen wiederholen. Sie werden die manuelle Segmentierung (n=25) und die halbautomatische Segmentierung (n=25) wiederholen. Dadurch wird es möglich, die Intra-Beobachter-Varianz in beiden Situationen zu beurteilen.
4. Qualitative Bewertung der Expertenpräferenzen mit einer eigenentwickelten Visualisierungs-Toolbox.