在使用深度学习的腰椎脊柱MRI中自动检测和测量Dural Sack横截面积,使用深度学习

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断

背景情况:

• 腰椎MRI对于评估脊柱病理至关重要.
• 准确的持续囊面积测量对于诊断至关重要.
• 手动方法耗时且变化不定.

研究的目的:

• 开发和验证深度学习模型,用于在腰椎MRI中自动测量持续囊面积.
• 为了比较U-Net,Attention U-Net和MultiResUNet模型的性能.

主要方法:

• 使用了515名患者的数据集进行初始验证.
• 在50名患者的扫描中进行外部验证的模型.
• 使用了U-Net,注意力U-Net和MultiResUNet架构.

主要成果:

• MultiResUNet实现了最高的精度 (0.9996初始,0.9995外部).
• 所有模型都表现出高精度,回忆和F1分数.
• 与手动测量相比,深度学习模型显著降低了平均绝对误差.

结论:

• 深度学习模型在腰椎MRI中显示了自动持续囊面积测量的高性能.
• 这些模型有潜力作为评估脊柱病理的临床工具.
• 对于临床整合,建议使用更大的多中心数据集进行进一步验证.