对nnU-Net类型的自动临床体积瘤细分工具进行评估,用于扩散性低度质瘤的随访
Margaux Verdier1, Jeremy Deverdun1, Nicolas Menjot de Champfleur2
1I2FH, Institut d'Imagerie Fonctionnelle Humaine, Department of Neuroradiology, Montpellier University Medical Center, Montpellier, France.
Journal of neuroradiology = Journal de neuroradiologie
|June 12, 2023
概括
使用2D nnU-Net的自动细分算法标准化并加快了扩散性低度质瘤 (DLGG) 增长速度的评估. 这种人工智能工具有助于预测恶性转变,改善DLGG患者的护理.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 扩散性低度质瘤 (DLGG) 是缓慢生长的脑瘤,不可避免地进展到更高度.
- 准确预测DLGG的恶性转变对于及时的治疗干预至关重要.
- 直径膨胀速度 (VDE) 是一个关键的预测指标,但由于DLGG的透性,其评估的手动细分是耗时且可变的.
研究的目的:
- 开发和评估使用2D nnU-Net.使用DLGG的自动分段算法.
- 提高DLGG的VDE评估的速度和标准化.
- 为了减少DLGG测量的变化,以便更可靠地预测增长.
主要方法:
- 一个2D nnU-Net模型在30名患者的318个T2 FLAIR和3DT1MRI采集上受过训练.
- 在167个收购中,自动细分性能与手动细分进行了比较.
- 通过对98个新的DLGG病例的手动校正需求进行评估,验证了临床效用.
主要成果:
- 与手动细分相比,自动细分实现了0.82±0.13的平均子相似系数 (DSC).
- 在自动化和手动VDE计算之间观察到实质性的一致性.
- 只有3%的病例需要进行主要的手动校正 (DSC<0.7),81%的病例实现了DSC>0.9.
结论:
- 拟议的自动细分算法有效地将DLGG跨多种MRI数据进行细分.
- 这种人工智能工具为VDE提取提供了可靠,标准化和时间效率高的方法.
- 该算法支持对DLGG生长的改进评估和恶性转变的预测.
