在真实数据上对多类质瘤进行细分,缺少MRI序列:比较三种深度学习算法
Hugh G Pemberton1,2, Jiaming Wu1, Ivar Kommers3
1Centre for Medical Image Computing (CMIC), University College London, London, UK.
Scientific reports
|November 3, 2023
概括
这项研究评估了三个人工智能模型用于脑瘤细分,发现nn-Unet在多中心MRI数据上表现最好,即使缺少序列. 这支持临床使用的自动化质瘤细分.
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:
- 脑瘤细分 (BraTS) 挑战模型对于神经瘤学至关重要.
- 这些模型对多样化,现实世界的临床数据的概括性对于采用至关重要.
- 图像质量的变化和不完整的数据集对自动细分提出了挑战.
研究的目的:
- 在一个多中心数据集上测试三个BraTS挑战模型 (DeepMedic,nn-Unet,NVIDIA-net) 的通用性.
- 为了评估不同图像质量和不完整的MRI数据的模型性能.
- 评估自动化质瘤细分的临床可行性.
主要方法:
- 使用手术前MRI数据进行质母细胞瘤 (GBM) 和低度质瘤 (LGG) 的回顾性研究.
- 在BraTS 2021和12家医院的临床数据上训练和测试模型.
- 在内部和外部测试集上使用子相似系数 (DSC) 和豪斯多夫距离来评估性能.
- 进行了精细的培训,用于评估缺失MRI序列的影响.
主要成果:
- 所有测试的模型都实现了中位数DSC在或以上的人类互评分协议 (0.74-0.85).
- nn-Unet表现出卓越的性能,具有最高的DSC (内部=0.86,外部=0.93) 和最低的豪斯多夫距离.
- 稀疏训练表明,缺少MRI序列并没有显著影响表现.
- nn-Unet在不同的临床环境和数据完整性中显示出强大的细分精度.
结论:
- nn-Unet在临床环境中实现了精确的质瘤细分,即使使用不完整的MRI数据集.
- 该模型的通用性支持其临床采用潜力.
- 自动细分可以帮助治疗计划和质瘤的监测.
