弱监督的头骨剥离磁共振成像脑瘤患者的大脑瘤患者
Sara Ranjbar1, Kyle W Singleton1, Lee Curtin1
1Mathematical NeuroOncology Lab, Department of Neurosurgery, Mayo Clinic, Phoenix, AZ, United States.
Frontiers in neuroimaging
|August 9, 2023
概括
这项研究表明,一个深度学习模型有效地在脑瘤患者身上进行脑磁共振成像 (MRI) 头骨剥离. 弱监督的方法实现了高准确度,即使在不完美的培训数据.
科学领域:
- 医学成像分析分析 医学成像分析
- 深度学习在放射学中的应用.
- 神经瘤学成像技术的神经瘤学成像技术
背景情况:
- 脑瘤在MRI上的细分是具有挑战性的,因为组织变形和位移.
- 现有的研究缺乏对脑瘤MRI数据的头骨剥离的关注,部分原因是数据稀缺和标签困难.
- 头骨剥离是对脑部MRI定量分析的关键预处理步骤.
研究的目的:
- 评估Dense-Vnet在脑瘤患者的MRI头骨剥离方面的性能.
- 通过使用自动生成的标签来评估弱监督的深度学习方法.
- 为了弥补自动化骨剥离对病态大脑的缺口,MRI.
主要方法:
- 对668名多机构脑瘤患者的MRI进行了回顾性分析,用于培训.
- 使用不完美,自动生成的标签从SPM12用于模型培训.
- 在T1加权对比增强,T2加权流体减弱反转恢复或两种MRI序列上使用NiftyNet平台进行训练的Dense-Vnet.
- 在训练之前,对所有图像进行了协调的音符间距和体积尺寸.
主要成果:
- 最好的Dense-Vnet模型在30个脑瘤病例的独立测试组中实现了高性能 (盘子:94.5%,灵敏度:96.4%,特异性:98.5%).
- 对健康大脑LBPA40数据集的测试产生了类似的结果 (分数:96.2%,灵敏度:96.6%,特异性:99.2%),略低于在健康数据上训练的模型.
- 对健康数据的性能下降归因于对病理性脑瘤数据的培训.
结论:
- 使用Dense-Vnet的弱监督深度学习在脑瘤患者的MRI脑部提取方面取得了成功.
- 该方法表现出强度,尽管存在病理性改变和使用不完美的培训标签.
- 这种方法为具有挑战性的神经瘤学成像数据集中的自动化骨剥离提供了可行的解决方案.
