在质瘤患者中扩散MRI异常检测
Leon Weninger1,2, Jarek Ecke2, Kerstin Jütten3
1Department of Psychiatry, Psychotherapy and Psychosomatics, RWTH Aachen University, Aachen, Germany.
Scientific reports
|November 22, 2023
概括
使用扩散MRI的深度学习模型可以检测通过传统方法错过的微妙脑瘤透. 这种异常检测方法显示了改善质瘤诊断和治疗规划的前景.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 传统的MRI往往低估了质瘤瘤的体积,因为透透.
- 扩散MRI (dMRI) 提供了对由质瘤改变的大脑微观结构性质的见解.
研究的目的:
- 评估基于深度学习的扩散异常检测用于质瘤划分.
- 评估dMRI在识别隐藏瘤透方面的潜力.
主要方法:
- 开发了两种在健康的dMRI数据上训练的深度学习架构 (消噪自编码器,重建歧视网络).
- 将模型应用于质瘤患者的数据,并根据结构性MRI衍生出的基准真相细分进行验证.
- 利用修改后的监督细分网络来生成基准真实瘤体积.
主要成果:
- 在将扩散异常检测与基准真相细分进行比较时,获得了0.67 ± 0.2的Dice得分.
- 确定了与仅在以后的结构性MRI随访中可见的病变相对应的扩散异常区域.
- 证明异常检测可以识别最初扫描中不明显的隐藏瘤透.
结论:
- 应用于dMRI的异常检测方法对脑瘤划分有效.
- 这些方法可以通过检测隐藏的瘤透来增强质瘤成像分析.
- 改进的检测可能会导致更好的预后和治疗策略,质瘤患者.
