Lungen-Nodulenerkennung und -Klassifizierung aus Thorax-CT-Scans mittels RetinaNet mit Transfer Learning

Lungenmalignität ist eine der häufigsten Todesursachen weltweit, verursacht durch maligne Lungenknötchen, die in der Regel radiologisch von Radiologen diagnostiziert werden. Leider führt der kontinuierliche Datenstrom an medizinischen Bildern in Krankenhäusern dazu, dass Radiologen die Quantität gegenüber der Qualität priorisieren. Diese Arbeitsbedingung begünstigt Fehlinterpretationen, insbesondere bei ambigen anatomischen Strukturen, die an Lungenknötchen erinnern, wie beispielsweise vergrößerte Lymphknoten, was die Sensitivität und Genauigkeit der Detektion maligner Lungenknötchen verringert und zu einer verzögerten Diagnose führt, die sich als tödlich für Patienten erweist. Um dieses Problem anzugehen, wird in diesem Artikel ein neuartiges Modell zur Detektion und Klassifikation von Lungenknötchen vorgestellt, basierend auf einem einstufigen Detektor namens „I3DR-Net“. Das Modell wird durch die Kombination der vortrainierten Gewichte eines Inflated 3D ConvNet (I3D)-Backbones, der aus natürlichen Bildern stammen, mit einem Feature Pyramid Network (FPN) für multiskalige 3D-Thorax-Computertomographie-(CT)-Datensätze gebildet. I3DR-Net erreicht bemerkenswerte Ergebnisse bei der Detektion von Lungenknötchen-Textur mit einem mAP von 49,61 % und 22,86 % sowie einer Area-Under-the-Curve-(AUC)-Werte von 81,84 % und 70,36 % für öffentliche und private Datensätze. Zudem übertrifft I3DR-Net die bisherigen State-of-the-Art-Modelle Retina U-Net und U-FRCNN + mittlerer Genauigkeit (mAP) bei der Detektion und Klassifikation maligner Knötchen um 7,9 % und 7,2 % (57,71 % vs. 49,8 % vs. 50,5 %).