基于深度学习的可解释性前列腺人工智能T2W MRI质量评估
Mason J Belue1, Yan Mee Law2, Jamie Marko3
1Molecular Imaging Branch, National Cancer Institute, National Institutes of Health, Bethesda, Maryland, USA (M.J.B., E.C.Y., Y.L., L.J., K.M.M, N.S.L., P.L.C., S.A.H., B.T.).
Academic radiology
|October 20, 2023
概括
这项研究开发了一种人工智能工具,用于一致的T2W前列腺MRI质量评估,在识别次优扫描时达到84.7%的准确性. 这种人工智能可以帮助识别需要重新获取的MRI序列,提高诊断准确度.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 前列腺MRI质量评估是主观的,并且在读者之间有所不同.
- 质量下降会影响诊断的准确性,需要客观的评估方法.
- 序列特异性质量评估可以改善前列腺MRI的结果.
研究的目的:
- 开发一种人工智能工具,用于一致评估T2W前列腺MRI质量.
- 为了有效地识别次优MRI扫描并最大限度地减少用户偏差.
- 为增强解读提供voxel级质量的热图.
主要方法:
- 对1046名T2WMRI患者进行了回顾性研究.
- 基于使用MONAI的3DDDenseNet121架构的AI分类模型.
- 多类 (0,1,2) 和二进制 (0/1对2) 分类与专家读者评分和放射科医生可复制性评估.
主要成果:
- 在测试数据集上,AI实现了73.9%的多类和84.7%的二元分类准确性.
- 人工智能显示了与地面真相质量评估的实质一致 (κ=0.704).
- 人工智能确定了直前列腺空间的遮蔽作为一个关键的非诊断特征.
结论:
- 一个3D人工智能模型可以以中等准确度评估T2W前列腺MRI质量.
- 人工智能生成的优质热图有助于解释图像质量问题.
- 人工智能提供了需要重新获取的MRI序列的可重复识别,改善了下游癌症检测.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
