AI-baserad segmentering av luftvägar

Sammanfattning

Artificiell intelligens (AI) har under det senaste decenniet blivit ett kraftfullt verktyg inom medicinsk bildbehandling, särskilt när det gäller att analysera datortomografibilder (CT-bilder). Ett av de viktigaste stegen i processen är att segmentera luftvägarna i CT-bilderna, vilket innebär att avgränsa och identifiera luftvägarnas struktur i bilddata. Denna process gör det möjligt att utföra både kvantitativa och visuella bedömningar, vilket är användbart för exempelvis diagnostik, kirurgisk planering och skapande av fysiologiska modeller. Traditionella metoder för segmentering kräver ofta mycket manuellt arbete och fungerar sämre på CT-bilder med varierande kvalitet. För att lösa detta problem använde vi en AI-baserad modell, kallad nnU-Net, som är en öppen och självanpassande djupinlärningsmodell. Modellen tränades för att automatiskt identifiera och segmentera luftvägarna i högupplösta CT-bilder (HRCT) från friska lungor och som tagits under utandning, utan användning av kontrastmedel. Projektet genomfördes i samarbete med Karolinska Universitetssjukhuset, där vi valde ut 36 tredimensionella CT-volymer från cirka 300 undersökningar. Av dessa användes 26 för att träna modellen, medan de resterande 10 användes för att utvärdera dess prestanda. Luftvägarna i träningsbilderna segmenterades manuellt med hjälp av programvaran 3D Slicer och användes som referens. Segmenteringsprestandan utvärderades med Dice-koefficienten och modellen uppnådde i genomsnitt 0,71 i överensstämmelse med de manuella segmenteringarna. Träningen avslutades automatiskt med hjälp av en early stopping-strategi. Resultaten visar att nnU-Net kan användas för att segmentera luftvägar i exspiratoriska HRCT-bilder från friska lungor. Den tränade modellen har stor potential att underlätta arbetet inom både forskning och klinisk bildbehandling, genom att göra segmentering av CT-bilder snabbare och mer exakt.