扫描仪无关的MS病变大规模评估临床MRI的MS病变划分工具

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 在MRI扫描中手动细分多发性硬化症 (MS) 病变对于放射科医生来说是耗时的.
• 现有的自动化细分模型缺乏对各种临床数据集的验证,这限制了它们的广泛采用.
• 开发强大的模型需要对反映现实世界的临床变异性的异质数据进行培训.

研究的目的:

• 开发和验证一个自动化的MS病变细分模型,使用一个大,异质的临床数据集.
• 为了确保模型在不同的MRI扫描仪协议和文物中保持稳健性.
• 与现有方法相比,评估模型的性能及其对未见数据的概括性.

主要方法:

• 基于nnU-Net的细分模型被训练在746个回顾性MS患者的MRI扫描上,这些扫描来自7个不同的扫描仪.
• 数据集包括T2加权的FLAIR图像,T2加权和T1加权图像.
• 模型的性能是使用子相似系数 (DSC),精度,回忆和F1得分进行评估的,使用一个留下一个扫描仪的实验来测试稳定性.

主要成果:

• 该模型实现了0.68的DSC,0.90的精度,0.70的召回率和0.78的F1得分,与现有文献相比.
• 在大多数指标上,它表现优于HD-MS-Lesions模型.
• 在离开一个扫描仪的实验中没有观察到显著的性能下降,这表明对未见的扫描仪的稳定性.

结论:

• 在一个大而异质的临床数据集上训练一个自动化细分模型可以提高它的稳定性和通用性.
• 开发的模型在各种MRI数据中显示出高性能和可靠性,支持其临床实施的潜力.
• 这种方法解决了对验证工具的需求,以减少放射科医生在MS病变检测和管理中的工作量.