Een team van onderzoekers van de Northeastern University in Shenyang, onder leiding van Xiang Li, publiceerde op 23 januari een studie in het tijdschrift Ultrasound in Medicine & Biology. In deze studie werd geconcludeerd dat een database met schildklierbeeldvorming kan leiden tot de ontwikkeling van meer effectieve computerondersteunde diagnosesystemen (CAD) voor het analyseren van schildkliernodules die worden gedetecteerd met behulp van echografie. Het team introduceerde ook een methode genaamd Marker Masking Method (MMI) om kunstmatige markers te verwijderen en de beeldkwaliteit te verbeteren.
Het team constateerde dat deze database verschillende soorten nodulebeelden verzamelt, waaronder verschillende niveaus van helderheid, posities, hoeveelheden en secties. Deze beelden komen sterk overeen met situaties in het echte leven en helpen bij het trainen van stabielere modellen.
Echografie is de voorkeursmethode voor het screenen en diagnosticeren van schildkliernodules. Het wordt ook gebruikt om fijne naald aspiratie biopsieën te begeleiden en vervolgbehandelingen uit te voeren. Echter, het is afhankelijk van de vaardigheden van de clinici en wordt geconfronteerd met een laag contrast, significante ruis en variaties in het uiterlijk van nodules op beelden.
Computerondersteunde diagnosemethoden (CAD) zijn geïntroduceerd om radiologen te ondersteunen, maar onderzoekers hebben opgemerkt dat het verkrijgen van hoogwaardige en geannoteerde schildklierdatasets een uitdaging kan zijn. Een reden hiervoor is dat radiologen markers op beelden plaatsen om de locatie van de nodules aan te geven en andere artsen te informeren. Deze markers kunnen de prestaties van CAD-modellen die zijn ontwikkeld ter ondersteuning van radiologen beïnvloeden.
Om deze problemen aan te pakken, hebben Li en zijn collega’s een schildklierbeeldvormingsdatabase gemaakt met behulp van echografie. Het doel van de database is om CAD-systemen te ondersteunen bij de nauwkeurige diagnose en voorspellende modellering van schildklieraandoeningen. Ze introduceerden ook de MMI-methode, die kunstmatige markers verwijdert en de beeldkwaliteit verbetert.
Dit is hoe het team te werk ging: ze verzamelden echografiebeelden van de schildklier en ontwierpen twee modules in MMI, één voor markerdetectie en de andere voor marker verwijdering. De detectiemodule detecteert alle markers in het beeld en slaat ze op in een binaire masker. Vervolgens verwijdert de verwijderingsmodule de markers en genereert een marker-vrij beeld.
Het team merkte op dat de database geannoteerd en statistisch geanalyseerd wordt door artsen om nauwkeurigheid en consistentie te waarborgen. Bovendien worden ook normale schildklierklierafbeeldingen en aanvullende informatie over goedaardige en kwaadaardige nodules verstrekt. In de detectiemodule bereikte de MMI-methode een uitstekende accuraatheid van markerdetectie en intersectie op een niveau van 98%. De verwijderingsmodule werd getest op 1017 beelden en bereikte structurele gelijkenis op een niveau van 99,7%.
Onderzoekers hebben de database getest op 10 verschillende segmentatiemodellen. Ze ontdekten dat op geannoteerde gegevens de modellen een nauwkeurigheid behaalden variërend van 45,7% tot 90,3%. Op geherorganiseerde gegevens bereikten de modellen een nauwkeurigheid variërend van 23,3% tot 84,7%.
Tot slot behaalden segmentatiemodellen op zowel vooraf getrainde als niet-vooraf getrainde gegevens Dice-coëfficiënten variërend van 66,7 tot 78,55.
De auteurs van de studie verklaarden dat er in de beschikbare segmentatiemodellen “nog veel ruimte is voor verbetering.” Ze zijn ook van plan om geannoteerde beelden te gebruiken om het model te beperken, zodat het de relevante kenmerken van nodules ontdekt en automatisch kunstmatige markers negeert.
De auteurs schreven: “We geloven dat deze inspanningen kunnen bijdragen aan de toekomstige ontwikkeling van CAD-systemen voor schildkliernoduleziekten. In de toekomst zijn we van plan om ons algoritme te integreren met echografie-apparaten.”
De volledige studie is hier te vinden.
Veelgestelde vragen (FAQ) gebaseerd op de belangrijkste onderwerpen en informatie die in het artikel worden gepresenteerd:
1. Wat is een schildklierbeeldvormingsdatabase?
Een schildklierbeeldvormingsdatabase is een verzameling verschillende schildkliernoduleafbeeldingen die worden gebruikt om computerondersteunde diagnosesystemen te trainen. De database bevat afbeeldingen met verschillende niveaus van helderheid, posities, hoeveelheden en secties om situaties in het echte leven nauwkeurig na te bootsen.
2. Hoe wordt echografie gebruikt bij schildklieronderzoek?
Echografie wordt gebruikt bij schildklieronderzoek, het diagnosticeren van nodules en het begeleiden van fijne naald aspiratie biopsieën en verdere behandelingen. Het is de voorkeursmethode vanwege de toegankelijkheid en veiligheid.
3. Wat is de Marker Masking Method (MMI)?
De Marker Masking Method (MMI) is een methode die in de studie wordt gebruikt om kunstmatige markers die door radiologen op schildklierbeelden zijn geplaatst, te verwijderen. Deze methode verbetert de beeldkwaliteit en ondersteunt de creatie van nauwkeurigere modellen.
4. Hoe heeft het team van Li het probleem van het creëren van een hoogwaardige database aangepakt?
Het team van Li maakte gebruik van modules in de MMI-methode, waaronder een module voor markerdetectie en een module voor markerverwijdering. Deze modules hielpen bij het verzamelen van marker-vrije schildklierbeelden en het verbeteren van de beeldkwaliteit.
5. Welke resultaten hebben het onderzoeksteam behaald?
Het onderzoeksteam heeft de database getest op 10 verschillende segmentatiemodellen. De resultaten toonden aan dat de modellen verschillende niveaus van nauwkeurigheid behaalden, variërend van 45,7% tot 90,3% op geannoteerde gegevens en van 23,3% tot 84,7% op geherorganiseerde gegevens.
6. Wat zijn de toekomstplannen van de onderzoekers?
De onderzoekers zijn van plan om de segmentatiemodellen verder te verfijnen, geannoteerde beelden te gebruiken om de modellen te beperken en het algoritme te integreren met echografietechnologie.