脑瘤细分用于多模态MRI缺失信息的脑瘤细分
Xue Feng1,2, Kanchan Ghimire2, Daniel D Kim3,4
1Biomedical Engineering, University of Virginia, 22903, Charlottesville, VA, USA.
Journal of digital imaging
|June 20, 2023
概括
这项研究引入了深层卷积神经网络的序列丢失技术,以改善当MRI序列缺失时大脑瘤细分的准确性. 当所有序列都存在时,该方法提高了稳定性,而不会牺牲性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 深层卷积神经网络 (DCNNs) 显示出使用多模态MRI进行脑瘤细分的潜力.
- 瘤细分受到缺失或不寻常的MRI序列的挑战,需要强大的模型.
- 训练所有MRI序列组合的单独模型是不切实际的.
研究的目的:
- 开发一个DCNN框架,在缺少MRI序列的情况下进行强大的脑瘤细分.
- 引入一种新的序列丢失技术,以训练DCNN对数据变化的弹性.
- 为了评估拟议的方法在BraTS 2021数据集上的表现.
主要方法:
- 实现了一个DCNN框架,使用了序列丢失技术.
- 训练有素的网络能够对缺失的MRI序列进行强大处理,同时利用可用的MRI序列.
- 在RSNA-ASNR-MICCAI BraTS 2021挑战数据集上验证的性能.
主要成果:
- 当所有MRI序列都可用时,没有观察到具有或没有序列中断的显著性能差异 (p > 0.05).
- 序列丢失在关键MRI序列无法使用时显著改善了细分性能.
- 例如,当使用T1,T2和FLAIR时,增强瘤 (ET) 的子相似系数 (DSC) 从0.143增加到0.486.
结论:
- 序列脱落是一种有效和简单的方法,用于增强脑瘤细分的稳定性,缺少MRI数据.
- 拟议的方法在完整的数据中保持高性能,同时在不完整的数据中显著改进.
- 这种技术为MRI数据可能变化的临床环境提供了实用解决方案.
