在NPC放射治疗中用于GFCE-MRI合成的模型通用性调查,使用多机构基于患者的数据规范化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 基于加多的对比剂 (GBCA) 构成安全风险.
• 深度学习提供了没有加多的对比增强MRI (GFCE-MRI) 合成作为替代方案.
• 机构间的异质性和数据稀缺性挑战了GFCE-MRI模型的通用性.

研究的目的:

• 调查GFCE-MRI模型在多个机构中的通用性.
• 评估数据规范化方法对模型性能的影响.
• 为了确定最优的策略,强大的GFCE-MRI合成.

主要方法:

• 利用来自七个机构的数据在鼻癌患者中进行GFCE-MRI合成.
• 应用了五种流行的数据规范化方法来解决MRI异质性.
• 训练有素的uni-institution和tri-institution模型使用T1加权和T2加权的MRI.
• 通过四个机构的外部验证队伍评估模型的通用性.

主要成果:

• 单机构模型在外部队列中显示出显著的绩效退化.
• 与单机构模型相比,多机构培训提高了模型的通用性.
• Z-Score规范化,当应用于多机构数据时,产生了最佳的概括性.

结论:

• 在单个机构中训练的GFCE-MRI模型缺乏通用性.
• 多机构数据和适当的规范化对于强大的GFCE-MRI合成至关重要.
• Z-Score规范化是提高GFCE-MRI模型通用性的有希望的方法.