对恶性骨病变的深度学习图像细分方法:系统审查和元分析
Joseph M Rich1, Lokesh N Bhardwaj1, Aman Shah2
1Keck School of Medicine, University of Southern California, Los Angeles, CA, United States.
Frontiers in radiology
|August 24, 2023
概括
深度学习有效地在CT,MRI和PET/CT扫描上对恶性骨病变进行细分. 本综述强调了U-Net变化和数据增强作为改善医学成像分析准确性的关键策略.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确量化恶性骨病变对于放射科医生来说至关重要但具有挑战性.
- 深度学习 (DL) 为医学成像,包括骨损伤提供自动图像分割解决方案.
研究的目的:
- 对恶性骨病变的基于深度学习的图像细分方法进行审查.
- 涵盖计算机断层扫描 (CT),磁共振成像 (MRI) 和正子发射断层扫描/CT (PET/CT) 的应用.
主要方法:
- 在PubMed,Embase,Web of Science和Scopus进行系统的文献搜索.
- 包括2017年2月至2023年3月间发表的41篇原创文章.
- 遵循系统审查和元分析 (PRISMA) 准则的首选报告项目.
主要成果:
- 大多数研究使用MRI,其次是CT和PET/CT.
- 通常使用的是U-Net架构及其修改.
- 报告了高性能,平均子相似系数 (DSC) 在0.85-0.9之间.
结论:
- 深度学习显示了对细分恶性骨性病变的巨大潜力.
- 诸如数据增强和U-Net修改等策略可以提高性能.
- 未来的工作应侧重于数据集的一致性和临床概括.


