深度学习用于对中枢神经系统原发性淋巴瘤和质母细胞瘤之间的图像分类,用于状体瘤中
Jermphiphut Jaruenpunyasak1, Rakkrit Duangsoithong2, Thara Tunthanathip3
1Department of Biomedical Sciences and Biomedical Engineering, Faculty of Medicine, Prince of Songkla University Songkhla, Songkhla, Thailand.
Journal of neurosciences in rural practice
|September 11, 2023
概括
深度学习模型在使用MRI扫描区分初级中枢神经系统淋巴瘤 (PCNSL) 和质母细胞瘤 (GBM) 方面表现有前途. 规范化技术显著改善了诊断性能,帮助临床医生区分这些具有挑战性的脑瘤.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在MRI上区分初级中枢神经系统淋巴瘤 (PCNSL) 和质母细胞瘤 (GBM) 可能是困难的,特别是在体结肠瘤中.
- 准确的区分对于适当的治疗计划和患者的结果至关重要.
研究的目的:
- 评估深度学习 (DL) 模型的诊断性能,以区分PCNSL与corpus callosal瘤中的GBM.
- 评估不同规范化技术对DL模型准确性的影响.
主要方法:
- 对274名患者 (94名PCNSL,180名GBM) 的轴向T1加权加多增强型MRI扫描进行分析.
- 开发DL模型,使用80/20的训练测试分成手术前MRI扫描.
- 使用看不见的图像验证模型,并计算接收器操作特征曲线 (AUC) 下的面积.
主要成果:
- 一个基线DL模型达到0.77.7的AUC.
- 结合回归和脱落规范化的模型显示,AUC分别提高了0.83和0.84.
- 一个利用数据增强的模型产生了0.57的AUC.
结论:
- 深度学习模型,特别是那些采用规范化技术的模型,显示出有助于PCNSL和GBM之间的差异诊断的潜力.
- 规范化的DL模型可以为临床医生提供宝贵的见解,以管理大脑瘤.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
6.9K