在中风患者中评估的自动化海马细分算法.

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
• 医学图像分析 医学图像分析

背景情况:

• 深度学习 (DL) 算法提供了像海马体这样的大脑结构的快速,可重现的细分.
• 然而,它们在具有结构异常的复杂数据集上的可靠性仍然不确定,例如在中风患者中.
• 基于病理的域位移,特别是病变的存在,可以显著影响细分的准确性.

研究的目的:

• 评估和比较最近六种基于深度学习的海马细分算法的性能.
• 在存在与中风相关的大脑异常和病变的情况下评估算法的稳定性.
• 为了确定任何单一的算法是否在各种指标上始终优于其他算法.

主要方法:

• 测试了六种最先进的DL海马细分算法.
• 这项研究使用了多中心,开源的ATLAS 2.0数据集,包括641名中风患者.
• 使用体积相似性 (VS),DICE得分和豪斯多夫距离 (HD) 评估性能,并使用一致性相关系数 (CCC) 进行方法间比较.

主要成果:

• 算法显示性能可变,CCC从0.266到0.816不等,表明它们不能互换.
• 总体来说,表现很好 (VS:0.8160.972, DICE:0.7860.921, HD:2.696.34).
• 没有一个算法在所有指标上都表现出色;FastSurfer在VS中领先,QuickNat在DICE和平均HD中领先,Hippodeep在HD中领先. 对于ipsilesional (损伤侧) 细分,细分精度显著下降,与损伤大小相关.

结论:

• 基于深度学习的海马细分性能受到中风相关的大脑异常和病变存在的显著影响.
• 选择算法应根据具体的研究问题和所需的评估指标进行调整,因为没有一种方法是普遍优越的.
• 进一步的研究对于提高当前海马细分方法的稳定性和准确性至关重要,特别是对于病理性大脑疾病.