通过使用3D深度学习模型进行切除性手术导致的大脑缺陷的全自动细分
Raphael Fernandes Casseb1, Brunno Machado de Campos1, Wallace Souza Loos2
1Universidade Estadual de Campinas (UNICAMP), Neuroimaging Laboratory, Campinas, SP, Brazil.
medRxiv : the preprint server for health sciences
|November 28, 2023
概括
使用深度学习,ResectVol DL精确地细分大脑缺陷,优于其他方法. 该工具有助于分析患者的图像,以更好地预测手术结果的预测模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 神经科学中的人工智能
- 用于医疗应用的深度学习
背景情况:
- 深度学习 (DL) 推进了图像细分,这对于分析诸如病变和瘤等大脑异常至关重要.
- 精确划分大脑结构,如切除缺口,对于提取体积和位置数据至关重要.
- 这些信息有助于临床医生,并为患者结果的预测模型提供燃料.
研究的目的:
- 介绍ResectVol DL,这是一个全自动的深度学习工具,用于对患者大脑图像中的切除缺口进行细分.
- 评估ResectVol DL与现有自动化方法的性能.
- 评估ResectVol DL在改善用于预测建模的大脑异常分析方面的潜力.
主要方法:
- ResectVol DL使用了nnU-Net框架与3D U-Net深度学习架构.
- 该工具在120名患者的T1加权MRI数据集上进行了训练和测试.
- 性能与手动细分和其他两个自动化工具 (ResectVol 1.1.2,DeepResection) 相比,使用Dice相似系数 (DSC) 和相关性进行了基准测试.
主要成果:
- 通过ResectVol DL获得了0.92的中位数DSC,超过了ResectVol 1.1.2 (0.78) 和DeepResection (0.90).
- 与其他方法相比,该工具显示出更高的相关系数 (0.99).
- 从手动细分来看,ResectVol DL表现出最小的中位数相对差异 (9%).
结论:
- 在患者中,ResectVol DL精确地细分了大脑缺陷.
- 该工具的高性能表明它有潜力帮助开发术后认知和发作结果的预测模型.
- 像ResectVol DL这样的自动细分工具对于推进神经成像分析和临床决策非常有价值.
