Kuckertz, S. et al.: Fully automated longitudinal tracking and in-depth analysis of the entire tumor burden: unlocking the complexity, SPIE Medical Imaging (12033-86), 2022
Zum gesamten Poster: https://www.spiedigitallibrary.org/conference-proceedings-of-spie/12033/120331Q/Fully-automated-longitudinal-tracking-and-in-depth-analysis-of-the/10.1117/12.2613080.full
Wir stellen einen neuen Ansatz für die Verarbeitung komplexer Informationen zur Segmentierung von Läsionen in CT-Follow-up-Studien vor. Das Rückgrat unseres Ansatzes ist die Berechnung eines longitudinalen Tumorbaums. Wir führen eine auf Deep Learning basierende Segmentierung aller Läsionen für jeden Zeitpunkt in CT-Follow-up-Studien durch. Anschließend werden die Folgestudienbilder registriert, um eine Korrespondenz zwischen den Studien herzustellen und die Tumoren zwischen den Zeitpunkten zu verfolgen, was zu baumartigen Beziehungen führt. Der Tumorbaum kodiert die Komplexität des individuellen Krankheitsverlaufs. Darüber hinaus stellen wir neue deskriptive Statistiken und Werkzeuge für die Korrelation von Tumorvolumina und RECIST-Durchmessern vor, um die Bedeutung verschiedener Marker zu analysieren.