一个包含放射学的深度集体学习模型,用于基于多参数MRI的质瘤细分
Yang Chen1, Zhenyu Yang2, Jingtong Zhao2
1Medical Physics Graduate Program, Duke Kunshan University, Kunshan, Jiangsu 215316, People's Republic of China.
Physics in medicine and biology
|August 16, 2023
概括
这项研究引入了一种深度集体学习模型,该模型使用放射学空间编码来改善多参数MRI扫描上的质瘤细分. 新模型显著提高了细分增强瘤,瘤核心和整个瘤区域的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 在多参数磁共振成像 (mp-MRI) 上精确的质瘤细分对于诊断和治疗规划至关重要.
- 目前的细分方法可能无法完全捕捉质瘤的复杂异质性.
研究的目的:
- 开发和评估一个集体深度学习 (DEL) 模型,结合放射学空间编码,以提高使用mp-MRI的质瘤细分精度.
- 改善增强瘤 (ET),瘤核心 (TC) 和整个瘤 (WT) 的细分.
主要方法:
- 开发了一个深度集体学习 (DEL) 模型,使用369名质瘤患者的T1,T1-Ce,T2和FLAIRmp-MRI序列.
- 使用3D滑动内核提取放射性特征,编码为放射性特征图 (RFM),并使用主要组件分析 (PCA) 进行减少.
- 四个U-Net子模型处理了mp-MRI和PCA组件,结果用于对ET,TC和WT进行细分.
主要成果:
- 与mp-MRI-only U-Net.net相比,放射学增强的DEL模型显示出更好的细分性能.
- 在ET (0.777至0.817),TC (0.742至0.757) 和WT (0.823至0.854) 时,子系数增加.
- 精度,灵敏度和特异性也显示出了改进.
结论:
- 放射学空间编码有效地捕获图像异质性,提高分段精度.
- 拟议的DEL模型为基于mp-MRI的质瘤细分提供了一种新且有效的工具.
- 这种方法有望改善神经瘤学中的临床决策.
