提供信息和可靠的航道细分,用于手术前规划
Oeslle Lucena1, Pedro Borges1,2, Jorge Cardoso1
1School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom.
Frontiers in radiology
|July 26, 2023
概括
深度学习与不确定性量化可靠地对白质 (WM) 区域进行细分,用于手术规划. 这种方法提高了准确性,并提供了一定的细分可靠性,有助于临床决策.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 人工智能的人工智能
背景情况:
- 手动白质 (WM) 管道注释用于手术规划是耗时且可变的.
- 扩散MRI噪声和测量器间的变化使精确的WM通道识别复杂化.
- 在手术期间经常需要直接电刺激,以精确定位WM通道.
研究的目的:
- 开发一个深度学习模型,用于可靠的WM通道细分.
- 使用不确定性估计量化细分的不可靠性.
- 改进手术前的外科规划和手术期间的指导,用于WM管道局部化.
主要方法:
- 使用 3D U-Net 架构进行 WM 路段分割.
- 员工的测试时间减少和测试时间增加用于模型和数据不确定性估计.
- 应用基于体积的校准方法来计算代表性的预测概率.
主要成果:
- 获得了≈0.82的子得分,相当于最先进的多标签细分.
- 获得了小于10mm的豪斯多夫距离,表明了高空间精度.
- 显示了体积方差和细分错误之间的强烈相关性,验证了可靠性估计.
- 显示校准预测卷更好地涵盖地面真相细分.
结论:
- 深度学习与不确定性定量化为WM通道细分提供了一种可靠的方法.
- 开发的方法为临床使用提供了对细分可靠性的关键指标.
- 这种技术代表了在神经外科手术中更知情和可靠的WM通道细分方面取得的重大进展.
