相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
卷积神经网络和变压器模型用于检测和分割脑膜瘤的实用性的多中心研究
Xin Ma, Lingxiao Zhao1, Shijie Dang1
1Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou.
Journal of computer assisted tomography
|November 28, 2023
概括
深度学习模型在MRI扫描中有效地检测和细分脑膜瘤,其表现与经验丰富的放射科医生相当. 这项技术有望提高脑瘤的诊断效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 脑膜瘤是中枢神经系统常见的原发性瘤.
- 准确的检测和细分对于诊断和治疗规划至关重要.
- 手动分析MRI扫描可能耗时,并且受观察者之间的变化影响.
研究的目的:
- 评估深度学习模型的有效性,特别是卷积神经网络 (CNN) 和变压器,用于脑膜瘤检测和细分.
- 与人类放射科医生相比,评估这些AI模型的实用性和一致性.
主要方法:
- 一项回顾性研究使用了523名脑膜瘤患者的T1加权和对比度增强的MRI扫描.
- 训练和验证了六个CNN检测模型和三个细分模型.
- 模型性能使用准确度和Dice相似系数等指标进行评估,对不同经验水平的放射科医生进行一致性评估.
主要成果:
- 检测模型在测试组中实现了高平均准确度 (93.5%97.3%).
- 细分模型表现出强的表现,平均子相似系数为 (0.8340.892).
- 人工智能模型的一致性与中级和高级放射科医生密切匹配,但与初级放射科医生相比较低.
结论:
- 开发的深度学习系统在脑膜瘤检测和细分方面表现出先进的能力.
- 性能可与经验丰富的放射科医生相美.
- 这种人工智能系统有可能显著提高脑膜瘤诊断的效率和准确性.
