Pipeline completamente automatizzata per il rilevamento e la segmentazione del carcinoma polmonare non a piccole cellule (NSCLC) su immagini TC

In questo studio, miriamo a sviluppare e testare un software automatizzato di rilevamento e segmentazione del deep learning per il carcinoma polmonare non a piccole cellule (NSCLC) in grado di rilevare e segmentare automaticamente i tumori sulle scansioni TC e quindi ridurre la variazione umana. Valuteremo il livello di accordo tra un gruppo di radiologi, eseguendo la segmentazione del tumore manuale rispetto a quella semi-automatica. Per fare ciò, forniremo ai radiologi due serie di scansioni TC. Il primo set verrà segmentato manualmente; il secondo sarà segmentato utilizzando il programma software automatizzato.

Successivamente, utilizzeremo la varianza inter e intra-osservatore dallo studio clinico in uno studio di simulazione o modellazione. Confrontiamo anche il tempo necessario e la coerenza nelle segmentazioni del software con le prestazioni dei medici.

Studio di affidabilità e accordo:

I tumori primari di 25 pazienti con carcinoma polmonare saranno delineati da 6 esperti di segmentazione.

1. Valutare l'accordo tra la segmentazione automatica e la segmentazione dei radiologi I tumori primari di 25 pazienti saranno segmentati manualmente dai radiologi e automaticamente dallo strumento. Verranno registrati il ​​tempo necessario per eseguire questo compito e la riproducibilità della segmentazione. Il grado di sovrapposizione tra i RO e il contorno automatico sarà valutato a coppie utilizzando il coefficiente Dice.
2. Delinazione dei tumori da parte degli esperti, assistita dallo strumento software Per altri 25 pazienti, agli esperti verrà fornita una delineazione automatica, eseguita dallo strumento. Hanno la possibilità di adattarlo e convalidarlo. Il tempo necessario sarà registrato. La differenza tra la frazione di sovrapposizione media nella prima situazione (delineazione manuale degli esperti) e la seconda situazione (delineazione degli esperti + strumento software) sarà valutata, utilizzando un coefficiente Dice multi-osservatore.
3. Valutazione della varianza intra-osservatore Gli esperti ripeteranno la segmentazione dei tumori polmonari dopo 2 settimane. Ripeteranno la segmentazione manuale (n=25) e la segmentazione semiautomatica (n=25). Ciò consentirà di valutare la varianza intra-osservatore in entrambe le situazioni.
4. Valutazione qualitativa delle preferenze degli esperti utilizzando un toolbox di visualizzazione sviluppato internamente.