一种有效的方法,通过结合多相延迟增强的MRI图像来提高脑转移的自动细分和分类准确性
Mingming Chen1,2, Yujie Guo1, Pengcheng Wang2
1Department of Radiation Physics, Shandong First Medical University Affiliated Cancer Hospital, Shandong Cancer Hospital and Institute (Shandong Cancer Hospital), Jinan, 250117, China.
Journal of digital imaging
|May 31, 2023
概括
这项研究使用放射学和机器学习分析了大脑转移 (BM) 中的对比介质扩散. 多相成像显著提高了BM细分和分类的准确性,有助于病理类型的识别.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 大脑转移 (BM) 在瘤学中构成了重大挑战.
- 精确的BM细分和分类对于有效的治疗计划至关重要.
- 了解对比介质扩散动态可以提高诊断能力.
研究的目的:
- 用放射学分析BM的多相延迟增强MR T1图像中的对比介质扩散规则.
- 使用支持矢量机 (SVM) 和DPN-UNet.构建BM的自动分类和细分模型.
- 评估不同增强阶段对BM细分和分类准确性的影响.
主要方法:
- 利用放射学分析对比介质扩散在多相延迟增强MR T1图像从189个BM患者 (1047转移).
- 从注射后的1,3,5,10,18和20分钟获得的图像中提取和分析了放射性特征.
- 在不同增强阶段使用DPN-UNet和SVM开发并比较BM细分和分类模型.
主要成果:
- BM的信号强度在3分钟达到峰值,并随时间延迟而下降.
- 最佳的放射学特征与时间 (R=0.82) 和体积 (R=0.99) 有着很强的相关性.
- 在10分钟 (0.92训练,0.82测试) 完成后,BM细分的Dice相似系数最高.
- 用于BM病理学分类的曲线下的面积 (AUC) 是最高的 (0.9596) 使用六相图像组合,比10分钟的单相图像有42.3%的改善.
结论:
- 多相延迟增强与放射学相结合,客观地反映了BM中的对比介质扩散.
- 这种方法显著提高了BM细分和分类的准确性.
- 这些发现增强了客观地反映病理类型的能力,并提高了诊断精度.
