在同位体三维流体减弱倒置恢复磁共振图像上对白质超强度进行细分:评估挪威成像数据库上的深度学习工具
Martin Soria Røvang1,2, Per Selnes3,4, Bradley J MacIntosh2,5,6
1Division of Medicine and Laboratory Sciences, University of Oslo, Oslo, Norway.
PloS one
|August 24, 2023
概括
使用3D FLAIR MRI的深度学习对白质超强度 (WMHs) 的自动细分对于神经成像分析至关重要. 3D nnU-Net模型在细分WMH方面表现出卓越的性能,为临床研究提供了有前途的方法.
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:
- 白质超强度 (WMHs) 的自动细分对于分析神经成像数据至关重要,特别是在像阿尔茨海默氏症 (AD) 这样的疾病中.
- 3D FLAIR加权的MRI采集提供了高空间分辨率,使WMH的可视化和量化更好.
研究的目的:
- 部署和评估深度学习模型,用于自动化WMH细分和描述3D FLAIR加权MRI数据.
- 为了比较一个现成的NVIDIA nnU-Net模型,一个内部开发的模型和一个深度贝叶斯网络 (HyperMapp3r) 的性能.
主要方法:
- 训练并验证了两个3D模型 (NVIDIA nnU-Net和内部模型),并使用挪威疾病痴呆症启动 (DDI) 研究 (441名参与者) 的数据实施了深度贝叶斯网络 (HyperMapp3r).
- 在外部数据集 (29个案例) 和内部数据的保留子集上测试了所有模型.
- 通过使用五个已确定的WMH指标评估模型性能,与地面真相相比较 - 人类在循环中的细分.
主要成果:
- 3D NVIDIA nnU-Net 模型获得了最高的性能,平均子相似系数 (DSC) 为 0.76 +/- 0.16.
- 3D nnU-Net的性能优于内部开发的2.5D模型和HyperMapp3r模型.
- 结果表明,仅在3D体积FLAIR采集上训练WMH细分模型的高性能.
结论:
- 深度学习模型,特别是3D nnU-Net,是有效的自动化WMH细分从3D FLAIR MRI.
- 3D nnU-Net的高性能为在临床研究和持续数据收集中自动化WMH细分提供了可行的前进途.
- 单一图像输入模型有利于在临床研究环境中轻松部署.
