Deep Lesion Tracker Monitoring Lesions in 4D Longitudinal.pdf

在临床实践中，通过纵向成像研究来监测病变的治疗反应具有重要意义。这涉及到在连续的影像随访中准确地识别和匹配病变。通常，这个过程需要结合图像特征和解剖结构考虑。然而，手动匹配病变既费时又耗力。"Deep Lesion Tracker"（DLT）是一个深度学习方法，它利用外观和解剖学基础的信号来解决这一问题。 为了解决匹配过程中可能出现的视觉相似但位置不正确的伪匹配，DLT引入了一个解剖信号编码器。该编码器能防止病变被误配到与之视觉上相似但实际上并不对应的区域。此外，研究者对Siamese网络提出了一种新的公式化，避免了3D互相关运算带来的计算负担，从而提高了效率。 为使网络适应更多类型的图像，DLT采用了一种自我监督学习（SSL）策略，利用未配对的图像训练追踪器，克服了数据收集的障碍。为了训练和评估DLT，研究者建立并发布了首个病变追踪基准，包含了来自公开DeepLesion数据库的3891对病变配对。DLT在定位病变中心时的平均误差距离为7毫米，比领先的注册算法提高了5%，并且在处理整个CT体积时速度提高了14倍。相比于检测器或相似性学习的替代方案，DLT的表现更优。 DLT在外部的100个纵向临床测试集上也表现出良好的泛化能力，达到了88%的准确性。将DLT集成到自动肿瘤监测工作流中，评估病变治疗反应的准确率达到85%，仅比手动输入的准确性低0.46%。 1. 背景与动机 监测治疗反应对于患者管理至关重要，而精确的病变跟踪是关键。传统的手动方法效率低下，因此需要开发自动化工具以提高效率和准确性。 2. 解决方案：深度病变追踪器(DLT) DLT结合了基于外观和解剖学的深度学习模型，通过解剖信号编码器确保匹配的正确性，同时使用优化的Siamese网络减少计算复杂性。 3. 自我监督学习(SSL)策略 通过SSL，DLT能够利用未配对的图像进行训练，扩大了训练数据的来源，增强了模型的泛化能力。 4. 实验与结果 DLT在各种测试集上的表现优于现有方法，证明了其在定位病变、提高效率和准确性的优势。 5. 应用前景 将DLT整合到临床工作流程中，可以显著提高病变治疗反应评估的自动化程度，有助于实现精准医学的目标。 "Deep Lesion Tracker"是一项创新的深度学习技术，旨在提升医学成像中的病变追踪精度和效率，对临床实践具有重要价值，尤其在监测疾病进展和治疗反应方面。通过结合解剖信息和自我监督学习，DLT克服了传统方法的局限，有望成为未来医疗影像分析的重要工具。