Segmentering av hode- og halskreft i PET/CT-bilder ved bruk av dype nevrale nettverk

Manuell segmentering av krefttumorer er en tidkrevende prosess som kan føre til stor inter- og intravariabilitet. Den lange inntegningstiden og usikkerheten i inntegningene, kan påvirke forløpet og utfallet av pasientens behandling. Formålet med denne masteroppgaven er å optimalisere og evaluere en automatisk segmenteringsmodell kalt 2D Dense-Net til segmentering av hode- og halskreft fra PET/CT-bilder. Modellen sammenlignes deretter med U-Net, som er mye brukt på området. Bruken av automatiske segmenteringsmodeller som støtteverktøy, kan potensielt frigi tid og bidra til nøyaktigere inntegninger som kan forbedre behandlingsforløpet til pasienten. Fire forskjellige parametere ble justert for å optimalisere 2D Dense-Net i denne oppgaven. Det utgjorde 36 eksperimentmodeller, med forskjellige kombinasjoner av parameterne batchnormalisering, utelatelsesrate, læringsrate og antall filtre i første lag. Modellene ble trent, validert og testet ved hjelp av rammeverket deoxys på et datasett bestående av PET/CT-bilder fra 197 pasienter med hode- og halskreft fra Oslo universitetssykehus (OUS). Ytelsen ble evaluert ved ytelsesmålet Dice-score, og statistiske tester ble benyttet for å undersøke effekten av parameterne. Kombinasjonen av parameternivåene som bidro mest til økt Dice-score, ble definert som den beste modellen. Denne modellen ble videre testet med augmentering på validerings- og testsettet fra OUS, og på et eksternt testsett fra Maastro-klinikken i Nederland. Til slutt ble ytelsen til 2D Dense-Net sammenlignet med ytelsen til U-Net. Modellen som ble definert som den beste hadde batchnormalisering, en læringsrate på 10-4, 32 filtre i første lag og 0,5 i utelatelsesrate. Den oppnådde en gjennomsnittlig Dice-score per pasient på 0,73 uten augmentering og 0,74 med augmentering på OUS-testsettet. Prestasjonen lå dermed på linje med U-Nettet på samme datasett. På Maastro-testsettet ble gjennomsnittlig Dice-score per pasient 0,64 både med og uten augmentering. Det var tydelig at augmentering hadde en positiv effekt på ytelsen ved bruk på OUS-datasettet, men på Maastro-datasettet var effekten marginal. Ved sammenligning av 2D Dense-Net og U-Net, var det tydelig at 2D Dense-Net har potensiale til å være like anvendelig eller bedre som automatisk segmenteringsverktøy for hode- og halskreft i PET/CT-bilder som U-Net. Selv om modellen viste en god prestasjonsevne, gjorde den fortsatt noen grove feilpredikeringer. Dette belyser viktigheten av at formålet til segmenteringsmodellen er å være et støtteverktøy, ikke en erstatning av manuell inntegning. Ved videre arbeid kan det være hensiktsmessig å undersøke flere nivåer av de allerede vurderte parameterne, samt andre parametere og interaksjonen mellom dem. Videre arbeid bør også innebære flere kjøringer for mer data til de statistiske testene, og et større og mer variert datasett til trening og validering