一个深度学习框架,用于对磁共振T1图像上的内动脉瘤自动细分和检测
Junda Qu1,2,3, Hao Niu4,5, Yutang Li1,2,3
1School of Biomedical Engineering, Capital Medical University, Beijing, China.
European radiology
|October 16, 2023
概括
这项研究引入了一个深度学习框架,用于使用T1MRI图像进行准确的内动脉瘤 (IA) 分段和检测. 强大的模型显示了改善早期诊断和临床应用的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 内动脉瘤 (IAs) 对健康构成重大风险.
- 准确的细分和检测对于及时干预至关重要.
- 现有的方法通常依赖于专门的成像或缺乏稳定性.
研究的目的:
- 开发和验证用于自动IA细分和检测的深度学习框架.
- 用T1权重磁共振 (MR) 图像来评估框架的性能和稳定性.
- 将框架的功能与已建立的基于血管造影的方法进行比较.
主要方法:
- 一项回顾性研究,使用了来自136名患者的159例IA病例.
- 开发一个包括三个卷积神经网络的深度学习模型.
- 使用32个病例的子集进行验证,在voxel,IA和患者水平上评估性能指标.
主要成果:
- 该框架获得了0.802的Dice分数和0.874.87的voxel级感度.
- 检测灵敏度达到90.63%,假阳性率低.
- 分段的IA卷显示了与专家注释的高度一致.
结论:
- 深度学习框架对于T1MRI上的IA细分和检测是有效和强大的.
- 这种基于T1的方法为血管造影提供了一个更普遍的,潜在的侵入性更小的替代方案.
- 该模型显示了早期IA识别和减少遗漏诊断的显著临床潜力.
关键词:
人工智能的人工智能是人工智能.深度学习是一种深度学习.内动脉瘤 内动脉瘤磁共振成像技术 磁共振成像技术T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1 T1更多相关视频
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.5K
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
