基于动态灵敏度对比度MRI成像的深度学习用于预测成人类型扩散性质瘤 (4级) 的局部进展
Donggeon Heo1, Jisoo Lee1, Roh-Eul Yoo2,3
1Department of Radiology, Seoul National University College of Medicine, Seoul, Republic of Korea.
Scientific reports
|August 24, 2023
概括
预测成年类型扩散性质瘤 (第4级) 的早期局部进展通过将 perfusion 成像中的正常化脑血量 (nCBV) 添加到深度学习模型中得到了改进. 这有助于对这些透的大脑瘤进行更好的放射治疗计划.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是指放射学
- 人工智能在医学中的应用
背景情况:
- 成人类型的扩散性质瘤 (第4级) 透到周围的大脑组织中,甚至在手术后也会导致局部进展.
- 早期发现局部进展对于有效的治疗计划至关重要,特别是放射治疗.
研究的目的:
- 开发和比较深度学习模型,用于预测成年类型扩散性质瘤 (4级) 的早期局部进展.
- 评估多参数MRI,包括动态敏感度对比度 perfusion-weighted成像 (DSC-PWI),对预测准确性的影响.
主要方法:
- 创建了两个nnU-Net深度学习模型:一个使用常规MRI,另一个使用多参数MRI (常规+DSC-PWI).
- 在使用随访对比度增强T1加权图像的非增强T2高强度病变中确定了局部进展.
- 从DSC-PWI获得的正常化脑血量 (nCBV) 被纳入多参数模型.
主要成果:
- 与单独使用常规MRI相比,采用nCBV的多参数模型在检测早期局部进展方面表现出两倍的灵敏度 (80%与40%相比).
- 虽然特异性略有下降,但提高的敏感性表明,错过的进展病例较少.
- 添加nCBV有望改善局部瘤复发的预测.
结论:
- 多参数深度学习模型,将传统的MRI与DSC-PWI衍生的nCBV集成在一起,增强了预测成年类型扩散质瘤 (4级) 早期局部进展的预测.
- 这种方法可以为患有这种侵袭性脑瘤的患者提供更精确,适应风险的放射治疗计划.
