在使用深度学习模型的T1加权构造增强型MRI中自动检测大脑转移
Zichun Zhou1, Qingtao Qiu2,3, Huiling Liu4,5
1School of Mechanical, Electrical and Information Engineering, Shandong University, Weihai 264209, China.
Cancers
|September 28, 2023
概括
这项研究引入了经过修改的YOLOv5算法,用于使用MRI改进人工智能辅助的大脑转移 (BM) 检测. 人工智能模型减少了假阳性,帮助放射瘤学家,提高了诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑转移 (BM) 显著影响患者的生存和生活质量.
- 准确的BM检测对于有效的放射治疗计划至关重要.
- 手动诊断BM是具有挑战性的,因为小尺寸和数量多样化,需要人工智能协助.
研究的目的:
- 开发一种人工智能辅助的方法,用于准确高效地检测大脑转移.
- 为了减少基于AI的BM检测中的假阳性结果,同时保持高精度.
- 为了减轻放射瘤学家的诊断工作量.
主要方法:
- 一个修改后的YOLOv5深度学习算法被开发用于BM检测.
- 整合了一个卷积块注意力模型来增强特征地图分析.
- 引入了一个额外的预测头来检测小BM和一个Swin变压器块来区分BM和脑血管.
主要成果:
- 提出的方法实现了0.612的精度和0.904.4的回忆.
- 与现有方法相比,表现出优越的性能,错误阳性显著减少.
- 使用F2得分指数来优化检测的置信值.
结论:
- 修改后的YOLOv5算法有效地提高了大脑转移检测的准确性和效率.
- 人工智能工具显示出降低临床诊断期间辐射瘤学家负担的潜力.
- 这一进步有助于改善脑转移患者的患者管理.
