Automated vs. manual segmentation for small renal mass imaging

Auteurs-es

  • Kristen McAlpine University of Toronto
  • Nikhil Mirajkar Cambridge University Hospitals NHS Foundation Trust
  • Dominik Deniffel Cantonal Hospital Frauenfeld
  • Andres Kohan Princess Margaret Hospital
  • Satheesh Krishna Princess Margaret Hospital
  • Girish Kulkarni University of Toronto
  • Emily Seto University of Toronto
  • Antonio Finelli University of Toronto
  • Masoom A. Haider Princess Margaret Hospital

DOI :

https://doi.org/10.5489/cuaj.9476

Mots-clés :

kidney cancer, machine learning, radiomics

Résumé

Introduction: Automated segmentation using artificial intelligence (AI) has the potential to rapidly perform three-dimensional (3-D) segmentation of small renal masses (SRM). The objective of this study was to test for clinically and statistically significant differences in time spent segmenting, accuracy, and reliability when comparing manual and automated segmentation of computed tomography (CT) scans with SRM.

Methods: Patients with a CT scan, SRM <4 cm, and renal neoplasm were identified through an institutional database. Of the 854 patients identified, 184 were excluded. Forty test cases were randomly selected. There were 630 cases for training (using nnU-Net) to which 488 cases from the KiTS23 open-source data set were added. Each of the test cases was segmented by a radiologist, a urologist, and the AI model. Time to segment and Dice coefficients were compared. Deidentified segmented CTs were provided to two independent radiologists who attempted to identify the segmentor and rated the acceptability of the segmented images on a five-point Likert scale.

Results: There were 39 cases with complete timing data. The median time for the AI model to segment was one-third of the radiologist’s (152.4 s, interquartile range [IQR] 120.9–177.8 vs. 450 s, IQR 318.8–551.2) and about one-fifth of the urologist’s (800.0 s, IQR 492.0–1538.0) (p<0.001). There was a high degree of inter-rater reliability (median Dice coefficients 0.86–0.90, p=0.09). The scoring radiologists were able to correctly identify the true segmentor in 61.6% of cases (p <0.001). The AI segmentations were scored highest among the three segmentors (median score 4.1/5, standard deviation [SD] 1.0) compared to 3.8 (SD 0.7) for the radiologist, and 3.3 (SD 0.7) for the urologist.

Conclusions: Automated segmentation of CT scans for patients with SRM was efficient, accurate, and acceptable in this study. This approach has the potential to greatly improve the clinical use of radiomics to assess medical images for these patients.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Téléchargements

Publié-e

2026-02-13

Comment citer

McAlpine, K., Mirajkar, N., Deniffel, D., Kohan, A., Krishna, S., Kulkarni, G., … Haider, M. A. (2026). Automated vs. manual segmentation for small renal mass imaging. Canadian Urological Association Journal, 20(6). https://doi.org/10.5489/cuaj.9476

Numéro

Vol. 20 No. 6 (2026): CUAJ June

Rubrique

Original Research

Licence

Les auteurs accordent les droits d’auteurs liés à l’article et son contenu à l’Association des urologues du Canada. Cette entente signifie que vous ne pouvez pas faire ce qui suit, sans d’abord obtenir l’autorisation écrite de l’AUC :

  • Afficher l’article sur tout site Web.
  • Traduire ou autoriser une tierce partie à traduire l’article.
  • Copier ou reproduire l’article par quelque moyen que ce soit et sous tout format que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.
  • Copier ou reproduire des sections de l’article, y compris les tableaux et figures, par quelque moyen que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.

L’AUC encourage l’usage des articles à des fins éducatives sans but commercial et ne refusera pas sans motif raisonnable toute demande d’autorisation à cet effet.

Vous conservez le droit moral lié à l’article et son contenu. Cela signifie que l’AUC ne peut utiliser ses droits d’auteurs d’une manière telle que cela pourrait avoir des répercussions négatives sur votre réputation ou sur votre droit à être associé à l’article.

L’AUC exige également que vous garantissiez ce qui suit :

  • Vous êtes l’auteur ou les auteurs et seul(s) propriétaire(s) du contenu, le contenu de l’article est original et n’a jamais été publié et vous n’en avez pas déjà cédé les droits d’auteurs ni accordé de licence concernant son contenu à toute autre tierce partie;
  • Toutes les personnes qui ont contribué de manière considérable à la rédaction de l’article sont mentionnées;
  • L’article ne viole aucun droit de propriété de toute tierce partie, et vous avez obtenu les autorisations requises pour inclure les travaux d’autres personnes dans cet article; et
  • L’article ne diffame aucune tierce partie ni ne viole les droits à la vie privée de toute tierce partie.