딥 러닝을 사용한 수막종의 자동 분할 및 용적 측정

U-Net 기반 아키텍처는 수막종을 수동으로 분할한 후 단일 기관에서 다른 환자의 500개의 조영 증강 축 방향 MR 이미지에 적용되며 이 중 50개는 테스트에 사용되었습니다. 이미지의 Z-isotropification과 intensity normalization으로 전처리 후, 3개의 U-Net 기반 네트워크(2D U-Net, Attention U-Net, 3D U-Net)와 3개의 nnU-Net 기반 네트워크(2D nnU-Net, Attention) nnU-Net, 3D nnU-Net)은 수막종 분할 이미지로 학습됩니다. 3D 네트워크에 적용하기 위해 시상 및 관상 이미지는 축상 이미지를 사용하여 재구성됩니다. 예측 후 trade-off인 확률함수의 cut-off는 확률밀도함수를 이용한 Gaussian Mixture Modeling 알고리즘으로 구하게 된다. 그보다 높은 확률 함수를 갖는 복셀은 최종적으로 수막종으로 예측됩니다. 종양 체적은 분할된 영역과 축상 이미지의 두께의 곱의 합으로 계산됩니다. 성능 평가를 위해 주사위 유사성 계수(DSC), 정밀도 및 재현율을 유효성 검사 데이터 세트를 위해 수동으로 분할된 복셀과 비교하여 평가합니다. 각 모델의 체적 측정 결과는 Pearson의 상관관계 분석을 통해 수동 세분화 기반 체적과 비교됩니다.