Lungenkrebs, insbesondere nicht-kleinzelliger Lungenkrebs (NSCLC), ist nach wie vor die häufigste und aggressivste Form mit begrenzten Überlebenschancen. Während die CT-Bildgebung der Standard für Stadienbestimmung und Überwachung ist, sind aktuelle manuelle und subjektive Beurteilungen zeitaufwändig und inkonsistent.
Unsere Studie stellt vor LLSB-CFPR, eine neuartige Deep-Learning-Pipeline, die entwickelt wurde, um mehrere Lungenkrebsläsionen in verschiedenen, realen CT-Datensätzen automatisch zu segmentieren. Im Gegensatz zu herkömmlichen Methoden, die sich nur auf Primärtumoren konzentrieren, erfasst dieser Ansatz alle erkennbaren Läsionen, wodurch ein umfassender Überblick über die Krankheitslast ermöglicht wird, der für die Prognose, Behandlungsplanung und Überwachung von entscheidender Bedeutung ist.
Indem diese Arbeit die Variabilität realer Bildgebungsverfahren berücksichtigt und über die Segmentierung einzelner Läsionen hinausgeht, stellt sie einen bedeutenden Schritt in Richtung zuverlässiger, automatisierter Tools dar, die Kliniker bei der routinemäßigen Behandlung von Lungenkrebs unterstützen können.
Xavier Rafael-Palou; Ana Jimenez-Pastorin; Luis Martí-Bonmatí; Carlos F. Muñoz-Nuñez; Mario Laudazi; Ángel Alberich-Bayarri