基于敏感度加权的MR序列的深度学习,用于检测大脑微型血液,并对大脑小血管疾病进行分类
Ruizhen Wu1, Huaqing Liu2, Hao Li3
1Department of Neurology, The Third Affiliated Hospital of Sun Yat-Sen University, Sun Yat-Sen University, No. 600 Tianhe Road, Guangzhou, 510630, People's Republic of China.
Biomedical engineering online
|October 17, 2023
概括
一个深度学习模型有效地检测大脑微血流 (CMB) 并使用MR序列对大脑小血管疾病 (CSVD) 进行分类. 这种人工智能工具有助于神经科医生优化CSVD管理并改善患者的治疗结果.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 大脑微型血液 (CMB) 是脑内出血风险和诊断大脑小血管疾病 (CSVD) 的关键神经成像生物标志物.
- 准确的CMB检测和CSVD分类对于有效的CSVD管理至关重要.
- 这项研究解决了对先进工具的需求,以协助神经科医生完成这些任务.
研究的目的:
- 开发和验证用于检测CMB和分类CSVD的深度学习 (DL) 模型.
- 使用敏感度加权的MR序列 (SWS) 作为DL模型的成像基础.
- 评估DL模型在协助神经科医生进行CSVD管理方面的表现.
主要方法:
- 开发了一个集成Mask R-CNN用于CMB检测和CSVD分类的多实例学习网络的DL模型.
- 该模型在3个中心的动脉样硬化症 (aSVD),大脑粉样血管病变 (CAA) 和CADASIL患者的SWS数据上进行了训练和测试.
- 使用包括IoU,Dice分数,回忆,AUC,准确度,精度和F1分数在内的指标来评估性能.
主要成果:
- 在外置测试组上,DL模型在CMB检测和CSVD分类方面表现强.
- 对于CSVD分类,该模型的加权平均AUC为0.908,F1得分为0.829.
- 在分类CSVD方面,DL模型的表现优于一组神经病学家的表现.
结论:
- 使用SWS的DL模型可以准确检测CMB并对CSVD进行分类.
- 这种由人工智能驱动的方法显示出有潜力在显著帮助神经病学家优化CSVD管理方面.
- 这些发现支持将这种DL模型纳入临床实践,以改善神经治疗.
