在胎儿大脑MRI中自动检测腹腔大:为新的2D-3D线性测量提供一步一步的深度学习模型

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胎儿医学 胎儿医学

背景情况:

• 精确测量胎儿侧心室对于诊断心室巨至关重要.
• 手动测量可能耗时,并且受观察者之间的变化影响.
• 深度学习为自动化和标准化这些测量提供了潜力.

研究的目的:

• 开发和验证一种自动化的深度学习工作流程,用于在MRI中测量胎儿侧心室.
• 为了将胎儿大脑的MRI分类为正常或指示腹腔大.
• 将AI模型的性能与专家放射科医生的性能进行比较.

主要方法:

• 基于UNet的深度学习模型在胎儿T2加权MRI数据 (FeTA 2022数据集) 上进行了训练,用于大脑细分.
• 创建了一个自动化工作流程,以测量在丘脑和状层面的侧腔室直径.
• 人工智能测量与一般放射科医生和神经放射科医生在22个病例的测试数据集上的手动测量进行了比较.

主要成果:

• 人工智能模型在将胎儿大脑MRI分类为正常或腹腔大脑病时,达到95%的准确性.
• 在95%的病例中,侧腔室直径测量的误差小于1.7毫米.
• 与一般放射科医生 (p=0.9827) 和神经放射科医生 (p=0.2378) 相比,人工智能测量显示出非显著的差异,观察者之间的差异可比.

结论:

• 开发的AI工作流准确地测量胎儿大脑MRI中的侧腔室,并对其进行分类.
• 这种人工智能方法提供了与专家放射科医生可比的测量,有可能提高诊断效率.
• 这项研究代表了人工智能的新应用,用于使用3D模型框架对腹腔大脑病的2D线性测量.