走向纵向质瘤细分:评估治疗前和后的MRI训练数据,用于使用nnU-Net进行自动化瘤细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 在MRI上精确细分质瘤表型区域 (结核,增强,) 对于疾病监测和治疗评估至关重要.
• 手动细分是耗时的,并且在临床环境中不切实际.
• 现有的自动化细分模型在治疗后扫描中扎,原因是培训数据中缺乏治疗效应和手术空洞.

研究的目的:

• 为了比较3D卷积神经网络 (nnU-Net) 在治疗前,治疗后和混合成像队伍中对质瘤细分的性能.
• 评估各种质瘤MRI的自动细分能力和局限性,考虑到不同的表型和治疗外观.
• 为了确定不同,时间定义的训练数据集对纵向质瘤评估的细分精度的影响.

主要方法:

• 利用了1563个成像时间点的大量数据集,来自13个机构和公共数据集的854名患者.
• 在不同的前处理,后处理和混合时间队列上训练并比较3D nnU-Net模型.
• 通过使用Dice系数对每个队列的测试案例进行手动细分的训练有素的技术人员评估模型性能.

主要成果:

• 证明,在混合时间数据上训练的组合模型的性能与在单个时间组上训练的模型相比较.
• 强调,对各种数据集的培训,包括具有治疗效果的后处理图像,对于准确的细分至关重要.
• 展示了该模型能够在疾病过程中的多个时间点准确地细分质瘤MRI的能力.

结论:

• 一个单一的组合模型,在多种不同的质瘤成像数据上进行训练,可以在不同治疗时间点实现高分段精度.
• 将治疗后和多样化的表型数据纳入训练套件对于开发用于纵向质瘤监测的强大的自动细分工具至关重要.
• 这种方法提高了在接受治疗的质瘤患者临床工作流程中自动细分的可行性.