深度学习用于完全自动的瘤细分在严重获得的动态对比增强MRI三阴性乳腺癌图像上的深度学习
Zhan Xu1, David E Rauch1, Rania M Mohamed2
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, TX 77030, USA.
Cancers
|October 14, 2023
概括
我们开发了一个自动化的深度学习模型,用于使用MRI扫描进行三阴性乳腺癌细分. 该模型准确地测量瘤大小,有助于治疗期间的临床评估.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 准确的瘤细分对于瘤学的定量分析至关重要.
- 动态对比增强型MRI (DCE-MRI) 对于评估瘤对治疗的反应至关重要.
- 三阴性乳腺癌 (TNBC) 需要精确的成像来有效管理.
研究的目的:
- 为TNBC开发一个全自动化,高性能的细分模型.
- 为了利用在治疗期间获得的串行DCE-MRI数据的深度学习.
- 评估模型在瘤细分和尺寸测量中的准确性.
主要方法:
- 使用了一个自我配置的深度学习框架.
- 在从TNBC患者的序列DCE-MRI图像的大数据集上训练模型.
- 使用Dice相似系数和灵敏度指标评估模型性能.
主要成果:
- 性能最好的模型在基线图像上实现了93%的子相似系数和96%的灵敏度.
- 该模型在对不同治疗时间点的瘤细分方面表现出高准确性.
- 获得了精确的瘤大小测量,与临床效用相关联.
结论:
- 一个完全自动化的深度学习模型可以在DCE-MRI上准确地细分TNBC.
- 治疗期间的连续成像分析可以提高细分性能.
- 开发的模型为定量瘤评估提供了有价值的临床应用.
