Figura 1. (a) La distribuci\u00f3n de los resultados de di\u00e1metros cortos de LN en el conjunto de datos de entrenamiento; (b) La distribuci\u00f3n de los resultados de di\u00e1metros cortos de LN en los conjuntos de datos de prueba; Las curvas de sensibilidad del modelo auto-LNDS para LN con diferentes di\u00e1metros cortos en los conjuntos de datos de prueba internos y externos. Cr\u00e9dito: SIBET <\/p>\n
La resonancia magn\u00e9tica multiparam\u00e9trica (mpMRI) ha sido aceptada como la alternativa preferida para el diagn\u00f3stico del c\u00e1ncer de recto. La estadificaci\u00f3n N es necesaria para todos los informes de RM, para los cuales la detecci\u00f3n precisa y la segmentaci\u00f3n de los ganglios linf\u00e1ticos (LN) son los requisitos previos. <\/p>\n
Sin embargo, el cuello de botella de los m\u00e9todos de diagn\u00f3stico actuales es la baja eficiencia de la identificaci\u00f3n de NL en el contexto de m\u00faltiples \u00f3rganos e intervalos. Adem\u00e1s, cuando el n\u00famero de cortes es superior a 20, los radi\u00f3logos experimentados tardar\u00e1n de 3 a 10 minutos en completar la detecci\u00f3n de LN de un paciente y los resultados se ver\u00e1n afectados por la experiencia subjetiva del detector, el entorno y pueden contribuir a un diagn\u00f3stico err\u00f3neo. <\/p>\n
Se ha desarrollado y aplicado por primera vez un m\u00e9todo de reconocimiento inteligente para lograr la detecci\u00f3n y segmentaci\u00f3n autom\u00e1tica de LN (auto-LNDS) de pacientes RC antes de la cirug\u00eda. Este desarrollo fue logrado por el equipo de investigaci\u00f3n de GAO Xin del Instituto de Ingenier\u00eda Biom\u00e9dica y Tecnolog\u00eda de Suzhou de la Academia de Ciencias de China (SIBET, CAS), en colaboraci\u00f3n con MENG Xiaochun del Sexto Hospital Afiliado de la Universidad Sun Yat Sen y otros tres hospitales 3A. repartidos por diferentes regiones de China. <\/p>\n
Trescientos setenta y tres pacientes RC se inscribieron en este estudio. Las anotaciones de tres expertos senior se usaron como verdades b\u00e1sicas para el entrenamiento del modelo. Las im\u00e1genes ponderadas en T2 fusionadas (T2WI) y las im\u00e1genes ponderadas en difusi\u00f3n (DWI) proporcionaron informaci\u00f3n para el marco de aprendizaje profundo de Mask R-CNN a trav\u00e9s del aprendizaje de transferencia para generar el modelo auto-LNDS. <\/p>\n
Figura 2. Detecci\u00f3n de ganglios linf\u00e1ticos. R: el T2WI original. b: el DWI original. c: la imagen de fusi\u00f3n. d: la realidad b\u00e1sica de los ganglios linf\u00e1ticos anotados con recuadros amarillos en la imagen de fusi\u00f3n. e: los resultados detectados de auto-LNDS mostrados en las im\u00e1genes de fusi\u00f3n. Los recuadros blancos representaban los verdaderos positivos, los recuadros cian representaban los falsos positivos y los recuadros naranjas representaban los falsos negativos. Los vasos estaban llenos de rojo. El caso de la cuarta fila muestra dos LN perdidos por el modelo auto-LNDS. El caso de la quinta fila, dos recuadros cian con color rojo en el interior son vasos peque\u00f1os mal diagnosticados como NL por el modelo auto-LNDS (flecha cian), y el otro recuadro cian es pared intestinal mal diagnosticada como NL. Cr\u00e9dito: SIBET <\/p>\n
Los resultados muestran que el modelo tiene un excelente rendimiento en la detecci\u00f3n de LN de diferentes escalas en comparaci\u00f3n con otros algoritmos informados (Fig. 1). El tama\u00f1o de los LN detectados es m\u00e1s peque\u00f1o (el di\u00e1metro corto es tan peque\u00f1o como 3 mm) y la precisi\u00f3n es mayor, lo que es mejor que los algoritmos informados y los radi\u00f3logos j\u00f3venes (Tabla 1).<\/p>\n
Adem\u00e1s, solo se necesitan 1,37 segundos para detectar y segmentar todos los LN de un paciente, lo que es 131 veces m\u00e1s r\u00e1pido que la velocidad de detecci\u00f3n del m\u00e9dico. <\/p>\n
Este modelo podr\u00eda ayudar a minimizar las diferencias en la detecci\u00f3n de LN entre radi\u00f3logos, aumentar la eficiencia del flujo de trabajo cl\u00ednico y tambi\u00e9n tiene el potencial de ayudar a los m\u00e9dicos a determinar la etapa ganglionar. Adem\u00e1s, este m\u00e9todo se puede extender a la evaluaci\u00f3n preoperatoria de la estadificaci\u00f3n N de tumores en diversas partes del cuerpo a partir de im\u00e1genes multimodales (PET, CT, MRI, etc.), lo que tiene un alto significado cl\u00ednico y juega un importante papel esclarecedor para identificaci\u00f3n autom\u00e1tica de NL en t\u00f3rax, abdomen e incluso en todo el cuerpo. <\/p>\n
La investigaci\u00f3n fue financiada por la Fundaci\u00f3n Nacional de Ciencias Naturales de China. Los resultados correspondientes se publicaron como un art\u00edculo de portada titulado \u00abDetecci\u00f3n y segmentaci\u00f3n totalmente automatizadas basadas en el aprendizaje profundo de los ganglios linf\u00e1ticos en resonancia magn\u00e9tica multiparam\u00e9trica para el c\u00e1ncer de recto: un estudio multic\u00e9ntrico\u00bb en EBioMedicine. <\/p>\n
Explore m\u00e1s<\/p>\n
La inteligencia artificial puede acelerar la detecci\u00f3n de accidentes cerebrovasculares M\u00e1s informaci\u00f3n:<\/strong> Xingyu Zhao et al. Detecci\u00f3n y segmentaci\u00f3n totalmente automatizadas basadas en aprendizaje profundo de ganglios linf\u00e1ticos en resonancia magn\u00e9tica multiparam\u00e9trica para el c\u00e1ncer de recto: un estudio multic\u00e9ntrico, EBioMedicine (2020). DOI: 10.1016\/j.ebiom.2020.102780 Informaci\u00f3n de la revista:<\/strong> EBioMedicine <\/p>\n Proporcionado por la Academia de Ciencias de China Cita<\/strong>: Nuevo m\u00e9todo propuesto en resonancia magn\u00e9tica multiparam\u00e9trica para el diagn\u00f3stico de c\u00e1ncer de recto (3 de julio de 2020) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-07-method-multiparametric-mri-rectal-cancer-diagnosis.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Figura 1. (a) La distribuci\u00f3n de los resultados de di\u00e1metros cortos de LN en el conjunto de datos de entrenamiento; (b) La distribuci\u00f3n de los resultados de di\u00e1metros cortos de LN en los conjuntos de datos de prueba; Las curvas de sensibilidad del modelo auto-LNDS para LN con diferentes di\u00e1metros cortos en los conjuntos de … Continuar leyendo \u00abM\u00e9todo novedoso propuesto en resonancia magn\u00e9tica multiparam\u00e9trica para el diagn\u00f3stico de c\u00e1ncer de recto\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-32959","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32959","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=32959"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32959\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=32959"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=32959"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=32959"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}