使用现实世界的临床MRI图像自动检测海马硬化症
Jingwen Jiang1,2, Jiajun Qiu1,2, Jin Yin1,2
1Department of Neurosurgery and West China Biomedical Big Data Center, West China Hospital of Sichuan University, Chengdu, China.
Frontiers in neuroscience
|May 31, 2023
概括
一个新的深度学习模型,HS-Net,可以使用常规MRI扫描精确诊断海马硬化症 (HS). 这种人工智能工具显示出有潜力帮助医生识别HS,特别是初级医生.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于疾病诊断和诊断
- 神经成像分析分析 神经成像分析
背景情况:
- 海马硬化 (HS) 是叶 (TLE) 的主要病理,也是一个关键的手术标志物.
- 目前的HS诊断依赖于手动MRI解释,这是主观的,取决于放射科医生的专业知识和MRI质量.
- 临床核磁共振扫描通常不是很薄,这给解释带来了挑战,特别是对于经验较少的医生来说.
研究的目的:
- 评估计算机视觉方法在现实世界临床MRI图像上诊断HS的可行性.
- 开发一种人工智能工具,以帮助检测HS,以用于未来的临床应用.
主要方法:
- 开发了一个深度学习算法HS-Net,以区分HS与TLE患者和健康对照.
- 该方法涉及海马感兴趣区域 (ROI) 的细分和使用分数差异 (FD) 方法增强纹理.
- 转移学习用于小样本图像分类,通过添加完全连接的层来微调预训练模型.
主要成果:
- 在常规T2加权的FLAIRMRI图像上,HS-Net的AUC达到0.894,准确度为82.88%,F1得分为84.08%.
- 使用FD增强纹理可使AUC,精度和F1得分提高约3个百分点.
- 该模型在区分HS时显示出稳健性和临床实用性.
结论:
- 开发的计算模型显示了在真实临床MRI环境中诊断HS的巨大潜力.
- HS-Net可以作为一个有价值的工具,帮助医生,特别是初级医生,提高HS的诊断准确性.
- 这种人工智能方法为提高人工智能在诊断中的临床应用提供了一个有希望的方向.
