RectoMap: a generalizable deep learning tool for rectal cancer and mesorectum MRI segmentation
RectoMap is een robuuste, open-source deep learning-pipeline die nauwkeurige en generaliseerbare 3D-segmentatie van rectale kanker en mesorectum bereikt over heterogene multi-institutionele MRI-data van diverse scannerfabrikanten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar de aanwijzingen die je krijgt steeds van uiterlijk veranderen. Soms zijn de aanwijzingen helder en scherp, andere keren zijn ze wazig of vervaagd, afhankelijk van welke camera de foto heeft gemaakt. In de medische wereld is dit precies wat er gebeurt wanneer artsen MRI-scanners gebruiken om in het menselijk lichaam te kijken. Een MRI is als een superkrachtige camera die magneten en radiogolven gebruikt om gedetailleerde foto's te maken van zachte weefsels, zoals organen en tumoren. Maar hier is de crux: net zoals verschillende cameramerken (Canon, Nikon, Sony) foto's maken met iets andere kleuren en belichting, maken verschillende fabrikanten van MRI-apparaten (zoals Siemens, Philips of GE) beelden die er een beetje anders uitzien.
Lama een tijd lang waren computerprogramma's ontworpen om artsen te helpen bij het vinden en omlijnen van tumoren — zogenaamde "segmentatie"-tools — als detectives die alleen wisten hoe ze zaken in één specifieke stad moesten oplossen. Als een zaak uit een andere stad kwam met een andere belichting, raakte de detective in de war en maakte fouten. Dit is een groot probleem, omdat rectumkanker een ernstige ziekte is die nauwkeurige planning vereist. Artsen moeten precies weten waar de tumor zit en hoe groot deze is om de beste behandeling te bepalen, of dat nu chirurgie, bestraling of een "afwachtende" aanpak is. Als de computer niet om kan gaan met de verschillende "camera's" die ziekenhuizen gebruiken, kan hij er overal niet op vertrouwd worden om artsen te helpen.
Hier komt een nieuw hulpmiddel genaamd RectoMap in beeld. Denk aan RectoMap als een detective die getraind is op een enorme bibliotheek aan foto's van elk mogelijk cameramerk, elke lichtomstandigheid en elk weerpatroon. De onderzoekers achter deze studie wilden een computerprogramma bouwen dat automatisch een perfecte omtrek kan tekenen rond een rectale tumor en het omliggende vetweefsel (het mesorectum) op een MRI-scan, ongeacht welke machine de foto heeft gemaakt. Ze testten hun hulpmiddel op een enorme, rommelige verzameling gegevens van 226 patiënten die gescand waren op 19 verschillende soorten machines van vier grote fabrikanten.
Het team heeft niet alleen één programma gebouwd; ze hebben twee verschillende soorten "hersenen" (neurale netwerken) gebouwd en vervolgens geprobeerd deze op vier verschillende manieren te mengen, alsof ze verschillende recepten proberen om te zien welk gebakje het lekkerst smaakt. Ze hebben deze programma's ook geleerd om "glitches" in de beelden te verwachten, zoals wazige plekken of vreemde schaduwen, zodat de programma's niet in paniek raken als ze die zien. Na het draaien van duizenden tests ontdekten ze dat de beste aanpak het combineren van de voorspellingen van beide soorten hersenen was met behulp van een speciaal stemsysteem genaamd STAPLE.
De resultaten waren veelbelovend. Wanneer het hulpmiddel werd getest op beelden van machines die het eerder had gezien, deed het een goed werk en omlijnde het de tumor ongeveer 76,7% van de tijd correct en het omliggende weefsel ongeveer 79,4% van de tijd. Maar de echte magie gebeurde toen ze het testten op volledig nieuwe machines die het nog nooit eerder had gezien. Zelfs dan bleef het hulpmiddel stabiel en omlijnde het de tumor met een nauwkeurigheid van ongeveer 79,8% en het weefsel met 77,6%. Dit suggereert dat RectoMap robuust genoeg is om om te gaan met de rommelige realiteit van verschillende ziekenhuizen.
De auteurs zijn echter voorzichtig om dit niet als een perfect, afgewerkt product te bestempelen. Ze geven toe dat het hulpmiddel nog steeds een beetje moeite heeft met zeer kleine tumoren of wanneer de endeldarm niet gevuld is met gel (wat helpt om de beelden duidelijker te maken). Ze merken ook op dat de meeste van hun trainingsgegevens afkomstig waren van één specifiek merk machine, waardoor het hulpmiddel misschien nog wat moet groeien om elk mogelijk scenario aan te kunnen. Maar over het algemeen hebben ze een gratis, open-source hulpmiddel gecreëerd dat artsen direct kunnen downloaden en gebruiken, of kunnen aanpassen aan hun eigen lokale machines. Het is een solide stap voorwaarts, waarbij een moeilijke, handmatige taak wordt omgezet in een snelle, geautomatiseerde taak die artsen kan helpen om sneller de juiste behandeling te krijgen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.