深度学习辅助对磁共振和外科显微镜图像上的脑瘤类型的细分和分类
Efecan Cekic1, Ertugrul Pinar2, Merve Pinar3
1Department of Neurosurgery, Polatli Duatepe State Hospital, Ankara, Turkey.
World neurosurgery
|November 29, 2023
概括
深度学习模型使用Mask R-CNN准确地划分和分类脑瘤,提高了神经外科精度. 这一进步为外科医生提供了更好的洞察力,以获得更好的患者护理和手术结果.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 神经外科手术需要精确的瘤边界划分和分类.
- 目前的方法可能缺乏最佳外科规划和执行所需的准确性.
研究的目的:
- 通过使用深度学习来提高神经外科手术程序,以准确地划分和分类瘤边界.
- 为外科医生提供先进的诊断工具,以改善外科结果和患者护理.
主要方法:
- 这项研究使用了Mask R-卷积神经网络 (CNN) 架构与Resnet101和Resnet50骨干.
- 模型使用手术显微镜视频和手术前磁共振图像的数据进行训练.
- 使用包括准确性,精度,回忆力,子系数 (DICE) 和贾卡德指数在内的指标来评估性能.
主要成果:
- 面具R-CNN Resnet 101架构实现了96%的精度,93%的回忆,91%的DICE和84%的贾卡德指数.
- 面具R-CNN Resnet 50架构产生了94%的精度,89%的回忆,89%的DICE和82%的贾卡德指数.
- 该模型在病理学估计中显示了98%的准确性,DICE得分范围为94%-95%.
结论:
- 深度学习集成代表了神经外科手术的变革性进步.
- 开发的算法在区分不同类型的瘤方面显示出显著的前景.
- 进一步研究强调多样化的数据集对于完善神经外科手术中的深度学习模型至关重要.
