自动化MRI肺部细分和3D形态特征用于对新生儿肺部疾病的量化
Benedikt Mairhörmann1, Alejandra Castelblanco1, Friederike Häfner1
1From the Computational Health Center (B.M., A.C., D.W., B.S.), Institute for Lung Health and Immunity and Comprehensive Pneumology Center (F.H., L.H., A.H.), and Institute of AI for Health (D.W.), Helmholtz Zentrum München, Member of the German Center for Lung Research (DZL), Ingolstädter Landstrasse 1, 85764 Neuherberg, Germany; Department of Neonatology, Perinatal Center (F.H., A.F., K.F.), Department of Radiology (V.K., S.S., O.D.), and Center for Comprehensive Developmental Care (CDeCLMU) at the Interdisciplinary Social Pediatric Center, Dr. von Hauner Children's Hospital (A.H.), Hospital of the Ludwig-Maximilian University, Munich, Germany; Department of General Pediatrics & Neonatology, Justus-Liebig-University, Member of the German Center for Lung Research (DZL), Giessen, Germany (H.E.); Division of Neonatology and Pediatric Intensive Care Medicine, Department of Pediatrics and Adolescent Medicine, University Medical Center Ulm, Ulm, Germany (H.E.); and Department of Mathematics, Technical University of Munich, Munich, Germany (B.S.).
深度学习模型在MRI上准确地对新生儿肺部进行细分,自动MRI功能显示出在没有辐射暴露的情况下对早产婴儿的支气管肺功能障碍 (BPD) 的评估具有前景.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 新生儿医学 新生儿医学
背景情况:
- 支气管肺功能障碍症 (BPD) 是早产婴儿的一个重大并发症.
- 精确评估肺部结构和疾病严重程度对于管理至关重要.
- 目前的成像方法可能涉及辐射或在详细的结构分析中存在局限性.
研究的目的:
- 在MRI中评估新生儿肺部细分的深度学习 (DL) 模型.
- 研究自动化MRI衍生特征,用于评估新生儿肺部疾病,特别是BPD.
- 为了将MRI特征与肺损伤得分相关联,并分层BPD严重程度.
主要方法:
- 在两个独立的早产婴儿队伍中,潜在的安静呼吸MRI.
- 开发卷积神经网络用于肺部细分.
- 计算3DMRI特征 (体积,形状,强度,表面) 和与肺损伤得分和BPD严重程度的相关性.
主要成果:
- DL肺部细分实现了专家级别的性能 (迪斯系数0.908交叉验证,0.880测试集).
- 自动化MRI特征与肺损伤得分有显著的相关性.
- 这些特征有效地区分了患有BPD和没有BPD的新生儿 (AUC 0.92) 和分层BPD严重程度 (AUC 0.84).
结论:
- 深度学习模型在MRI上提供高性能新生儿肺部细分.
- 自动化MRI功能为诊断和评估新生儿肺部疾病提供了一个有希望的,无辐射的方法.
- 这项技术可以帮助评估早产婴儿的BPD和相关的肺改造.
