Volledig geautomatiseerde pijplijn voor de detectie en segmentatie van niet-kleincellige longkanker (NSCLC) op CT-beelden

In deze studie willen we een geautomatiseerde deep learning-detectie- en segmentatiesoftware voor niet-kleincellige longkanker (NSCLC) ontwikkelen en testen die automatisch tumoren op CT-scans kan detecteren en segmenteren en zo de menselijke variatie kan verminderen. We zullen de mate van overeenstemming beoordelen tussen een groep radiologen die handmatige versus semi-automatische tumorsegmentatie uitvoeren. Hiervoor stellen we radiologen twee sets CT-scans ter beschikking. De eerste set wordt handmatig gesegmenteerd; de tweede wordt gesegmenteerd met behulp van het geautomatiseerde softwareprogramma.

Vervolgens zullen we de inter- en intra-waarnemersvariantie uit de klinische studie gebruiken in een simulatie- of modelleringsstudie. We vergelijken ook de benodigde tijd en de consistentie in segmentaties door de software met de prestaties van artsen.

Betrouwbaarheids- en overeenstemmingsonderzoek:

Primaire tumoren van 25 longkankerpatiënten worden in kaart gebracht door 6 segmentatie-experts.

1. Beoordeel de overeenkomst tussen automatische segmentatie en segmentatie van de radioloog De primaire tumoren van 25 patiënten worden handmatig gesegmenteerd door de radiologen en automatisch door de tool. De tijd die nodig is om deze taak uit te voeren en de reproduceerbaarheid van de segmentatie worden geregistreerd. De mate van overlap tussen de RO's en de automatische contour wordt paarsgewijs beoordeeld met behulp van de Dice-coëfficiënt.
2. Afbakening van tumoren door de experts, geholpen door de softwaretool Voor nog eens 25 patiënten krijgen de experts een automatische afbakening, uitgevoerd door de tool. Zij hebben de mogelijkheid om het aan te passen en te valideren. De benodigde tijd wordt geregistreerd. Het verschil tussen de gemiddelde overlappingsfractie in de eerste situatie (handmatige afbakening van experts) en de tweede situatie (afbakening van experts + softwaretool) wordt beoordeeld met behulp van een multi-observer Dice-coëfficiënt.
3. Beoordeling intraobserver variantie De experts herhalen de segmentatie van de longtumoren na 2 weken. Ze zullen de handmatige segmentatie (n=25) en de semi-automatische segmentatie (n=25) herhalen. Dit maakt het mogelijk om de intra-observer variantie in beide situaties te beoordelen.
4. Kwalitatieve beoordeling van de voorkeuren van de experts met behulp van een in eigen beheer ontwikkelde visualisatietoolbox.