FDG-PET/CTと画像特徴量および機械学習を用いた肺がんの組織型自動分類

使用 FDG-PET/CT、图像特征和机器学习对肺癌组织学进行自动分类

• 批准号: 21K15794
• 负责人: 筒井 悠治
• 金额: $ 2.83万
• 依托单位: Junshin Gakuen University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Early-Career Scientists
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K15794/
• 关键词: FDG-PET; 画像特徴量; 核医学; PET; FDG; 機械学習

2022年度は、PET画像から抽出した画像特徴量を用いて組織型診断の分類の可否および精度の検討を行った。前年度にオープンデータベースから取得したFDG-PET画像のPET/CTフュージョン画像を参照しながら解析用の3D-VOIを設置して抽出した177種類の画像特徴量を用いて、PET画像の画像特徴量から組織型を推定するための分類器の検討および精度検証を行った。PET画像から抽出した177種類の画像特徴量の中から、組織型と関連度の高い画像特徴量の選出を行った。分類にあたり対象を腺癌と扁平上皮癌の分類に絞って、関連の高い69種類の画像特徴量と分類アルゴリズムの異なる3種類の分類器により分類精度の比較および検討を行った。特に関連度の高い画像特徴量としては、FDGの集積程度を示すSUVによるヒストグラム、病変の球形度や病変最大径を反映した特徴量、行列を用いた特徴量などが含まれていた。腺癌の画像特徴量および扁平上皮癌の画像特徴量を学習用データおよび精度検証用データにそれぞれ分けて分類精度を検討した結果、良好な分類精度が得られる可能性が示唆された。分類器の検討としては組織型分類を出力とし、入力としてはPET画像から抽出した画像特徴量のみを入力値としているため、これに加えて同部位のCT画像からも画像特徴量を抽出して、多くの画像特徴量からより多くの種類の情報を基に組織型の分類精度の向上が可能か検討する。

In 2022, PET images were extracted and the characteristics of images were used to evaluate the classification and accuracy of histological diagnosis. In the previous year, PET/CT images of FDG-PET images were obtained from PET/CT images. 3D-VOI settings for analysis were used to extract 177 types of image features. PET image features were estimated from tissue types. Classifier evaluation and accuracy evaluation were performed. PET images are extracted from 177 types of image features, tissue type, and correlation. Classification of adenocarcinoma and squamous cell carcinoma: comparison of classification accuracy and correlation between 69 types of image features and 3 types of classifiers The characteristics of high correlation degree and FDG accumulation degree are reflected in SUV, disease sphericity and disease maximum diameter, and the characteristics of row and column are included. Adenocarcinoma image feature quantity and squamous cell carcinoma image feature quantity are used to study the classification accuracy of the classification accuracy, and the possibility of obtaining good classification accuracy is indicated. The classifier's search and analysis results show that the classification accuracy of tissue type is higher than that of PET image feature extraction, CT image feature extraction, multi-image feature extraction, multi-image feature extraction and multi-type classification.