Pipeline totalmente automatizado para detecção e segmentação de câncer de pulmão de células não pequenas (NSCLC) em imagens de TC

Neste estudo, pretendemos desenvolver e testar um software automatizado de detecção e segmentação de aprendizado profundo para câncer de pulmão de células não pequenas (NSCLC) que pode detectar e segmentar automaticamente tumores em tomografias computadorizadas e, assim, reduzir a variação humana. Avaliaremos o nível de concordância entre um grupo de radiologistas, realizando segmentação tumoral manual versus semiautomática. Para fazer isso, forneceremos aos radiologistas dois conjuntos de tomografias computadorizadas. O primeiro conjunto será segmentado manualmente; o segundo será segmentado usando o programa de software automatizado.

Posteriormente, usaremos a variância inter e intraobservador do estudo clínico em um estudo de simulação ou modelagem. Também comparamos o tempo necessário e a consistência nas segmentações pelo software com o desempenho dos médicos.

Estudo de confiabilidade e concordância:

Tumores primários de 25 pacientes com câncer de pulmão serão delineados por 6 especialistas em segmentação.

1. Avalie a concordância entre a segmentação automática e a segmentação dos radiologistas Os tumores primários de 25 pacientes serão segmentados manualmente pelos radiologistas e automaticamente pela ferramenta. O tempo necessário para realizar esta tarefa e a reprodutibilidade da segmentação serão registrados. O grau de sobreposição entre os ROs e o contorno automático será avaliado par a par usando o coeficiente de Dice.
2. Delineamento de tumores pelos especialistas, auxiliados pela ferramenta de software Para outros 25 pacientes, os especialistas receberão um delineamento automático, realizado pela ferramenta. Eles têm a possibilidade de ajustá-lo e validá-lo. O tempo necessário será registrado. A diferença entre a fração de sobreposição média na primeira situação (delineamento manual de especialistas) e a segunda situação (delineamento de especialistas + ferramenta de software) será avaliada, usando um coeficiente Dice multi-observador.
3. Avaliação da variância intra-observador Os especialistas repetirão a segmentação dos tumores pulmonares após 2 semanas. Eles repetirão a segmentação manual (n=25) e a segmentação semiautomática (n=25). Isso permitirá avaliar a variância intra-observador em ambas as situações.
4. Avaliação qualitativa das preferências dos especialistas usando uma caixa de ferramentas de visualização desenvolvida internamente.