基于深度学习的算法用于术后质母细胞瘤MRI细分:一个有前途的新工具来评估瘤负担
Andrea Bianconi1, Luca Francesco Rossi2, Marta Bonada3
1Neurosurgery, Department of Neuroscience, University of Turin, via Cherasco 15, 10126, Turin, Italy. andrea.bianconi@edu.unito.it.
Brain informatics
|October 6, 2023
概括
这项研究开发了一种人工智能算法,用于MRI扫描上的质母细胞瘤细分,在手术前和后的评估中获得可靠的结果. 人工智能模型有效处理低质量的图像,改善质母细胞瘤患者的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 对质母细胞瘤的临床决定依赖于MRI评估.
- 在MRI评估中的AI有助于临床实践,手术规划和预后.
- 挑战包括人工智能应用的低质量的成像和术后可靠性.
研究的目的:
- 通过使用临床MRI数据来训练用于质母细胞瘤细分的自动AI算法.
- 为了在手术前和手术后的场景中获得可靠的细分结果.
- 解决AI驱动的质母细胞瘤评估中低质量的成像和术后评估的局限性.
主要方法:
- 在71名质母细胞瘤患者的237张MRI数据集上使用转移学习实现和训练U-Net架构.
- 该模型最初在BraTS2021数据集上进行了训练,用于术前细分.
- 使用 DICE 评分 (DS) 和豪斯多夫 95% (H95) 评价绩效.
主要成果:
- 在手术前的细分实现了高的DICE分数91.09 (±0.60) 和H95的8.35 (±1.12).
- 手术后细分结果显示DICE分数为72.31 (±2.88) 和H95分数为23.43 (±7.24).
- 在术后设置中,切除腔的细分显示了平均DICE得分为63.52 (±8.90).
结论:
- 人工智能算法的性能与手术前和手术后质母细胞瘤MRI评估的现有文献相当.
- 拟议的方法有效地减轻了低质量的图像和缺失的MRI序列的影响.
- 这种人工智能工具支持更可靠的基于图像的评估,用于质母细胞瘤治疗的规划和监测.
