诊断线索的深度学习模型:在对比度增强的T1加权图像上检测脑膜瘤的持续尾部标志

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 脑膜瘤是最常见的中枢神经系统初级瘤.
• 磁共振成像 (MRI),特别是对比度增强的T1加权成像 (CE T1WI),对于脑膜瘤检测至关重要.
• 长期尾部标志是与脑膜瘤相关的特征性成像特征.

研究的目的:

• 开发和评估一个自动化的深度学习模型来检测CE T1WI中的持续尾部标志.
• 评估模型在识别潜在脑膜瘤方面的表现.
• 帮助放射科医生解释查MRI扫描.

主要方法:

• 一个你只看一次 (YOLO) v4网络是使用 sagittal CE T1WI进行训练的.
• 培训数据集包括123名患者 (3,824名持续尾部迹象),增加了来自开放数据集的39名额外患者.
• 用51个正常MRI扫描的单独数据集来评估模型的特异性.

主要成果:

• 该模型在测试数据集上获得了82.22%的灵敏度和29.73的虚假阳性平均值.
• 正常数据集的特异性为17.65%,虚假阳性平均值为3.16.
• 增强血管是错误阳性的主要原因,通常被误认为是持续性加厚.

结论:

• 拟议的深度学习模型提供了一个自动化系统,用于在一般查MRI中检测持续尾部信号.
• 这种人工智能工具可以通过标记潜在的偶发持续质量来帮助减轻放射科医生的工作量.
• 该模型在提高脑膜瘤查效率和准确性方面表现有前途.