A slice classification neural network for automated classification of axial PET/CT slices from a multi-centric lymphoma dataset

自动化切片分类在临床上具有相关性，因为它可以作为医学图像分割工作流程的预处理步骤，标记出可能含有肿瘤的切片，从而引导医生关注重要的切片。在这项工作中，我们训练了一个ResNet-18网络，对淋巴瘤PET/CT图像的轴向切片进行分类，根据3D图像中切片是否与肿瘤相交（阳性切片），或者切片没有与肿瘤相交（阴性切片）。网络的不同实例在不同的2D轴向数据集上进行训练，包括切片级别分割和患者级别分割；使用不同类型的输入，包括仅PET切片和PET和CT切片串联；采用不同的训练策略，包括中心感知（CAW）和中心不可知（CAG）。使用接收器操作特征曲线下面积（AUROC）和精度-召回曲线下面积（AUPRC）以及各种二元分类指标来比较模型性能。我们观察并描述了在切片级别分割与患者级别分割训练中性能高估的情况。在CAG训练方案中，使用仅PET切片的网络输入，使用患者级别分割数据训练的模型在大多数指标上表现最佳/最具有泛化性。我们还使用各自测试集中阳性切片的敏感性指标对模型进行了更详细的比较。

本论文旨在解决一个临床问题：如何自动化对淋巴瘤PET/CT图像中的切片进行分类，以便提高医生的工作效率。

本论文使用ResNet-18网络对淋巴瘤PET/CT图像中的切片进行分类，比较了不同的数据集、输入类型和训练策略对模型性能的影响。

本论文使用了不同的评价指标来比较模型性能，发现采用病人级别的数据集、只使用PET图像作为输入、采用CAG训练策略的模型性能最好。实验使用了来自两个机构的淋巴瘤PET/CT图像数据集，并公开了代码。

在这个领域中，其他相关的研究包括：\n1. Automated detection and classification of lymphoma using PET/CT images\n2. Deep learning-based segmentation and classification of lymphoma using PET/CT images\n3. Convolutional neural network-based classification of PET/CT images for lymphoma diagnosis