识别核心MRI序列可靠的自动脑转移细分
Josef A Buchner1, Jan C Peeken2, Lucas Etzel3
1Department of Radiation Oncology, Klinikum rechts der Isar, Technical University of Munich, Munich, Germany.
概括
一个T1加权序列与对比度增强 (T1-CE) 单独足以准确的脑转移细分. 将T1-CE与T2液体减弱反转恢复 (T2-FLAIR) 结合起来,对于有效的瘤细分至关重要.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 自动化脑瘤细分通常使用多个MRI序列.
- 确定脑转移 (BM) 分段的最佳MRI序列对于改进自动化方法至关重要.
研究的目的:
- 为了比较磁共振成像 (MRI) 序列的不同组合,以实现有效的自动化脑转移 (BM) 分段.
- 为了确定准确的BM和瘤细分所需的最小数组MRI序列.
主要方法:
- 在手术前的MRI数据分析 (T1加权±对比度增强[T1-CE],T2加权[T2],T2流体减弱的反转恢复[T2-FLAIR]) 来自339名骨髓瘤患者.
- 训练和测试一个3DU-Net模型,使用MRI序列的各种组合在独立的队列.
主要成果:
- 一个仅T1-CE的模型实现了最高的BM细分性能 (中位数是0.96的子相似系数 (DSC)).
- 没有T1-CE的模型表现明显较低 (T1-only:DSC=0.70;T2-FLAIR-only:DSC=0.73). 没有T1-CE的模型表现明显较低 (T1-only:DSC=0.70;T2-FLAIR-only:DSC=0.73).
- T1-CE和T2-FLAIR的组合产生了最佳的水细分 (DSC=0.93).
结论:
- 一个仅T1-CE的协议是足够的大脑转移细分.
- 结合T1-CE和T2-FLAIR对于瘤细分至关重要.
- 优化MRI序列可以简化临床工作流程,并提高AI驱动的细分精度.
