使用集体多任务深度学习框架对多参数MRI进行初级骨瘤和骨感染的自动检测,细分和分类:多中心研究:多参数MRI的多任务深度学习框架:多中心研究
Qiang Ye1, Hening Yang2,3, Bomiao Lin4
1Department of Radiology, The Third Affiliated Hospital of Southern Medical University (Academy of Orthopedics, Guangdong Province), Guangzhou, Guangdong, China.
European radiology
|December 21, 2023
概括
一个新的深度学习框架使用MRI准确地检测,细分和分类原发性骨瘤和感染. 这种人工智能工具的性能优于初级放射科医生,有助于及时诊断和治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确区分原发性骨瘤 (PBTs) 和骨感染对于有效的患者管理至关重要.
- 多参数磁共振成像 (MRI) 提供了丰富的信息,但对于复杂的病例需要专家的解释.
研究的目的:
- 开发和验证一个整体多任务深度学习 (DL) 框架,用于同时检测,细分和分类PBT和骨感染,使用多参数MRI.
- 根据放射学家的解释来评估框架的性能.
主要方法:
- 一项回顾性研究涉及749名来自两个中心的PBT或骨感染患者.
- 一个整体DL框架,集成T1加权图像 (T1WI),T2加权图像 (T2WI) 和用于二进制和三类分类的临床数据.
- 在外部验证集上使用交叉与联盟 (IoU),子得分和曲线下的面积 (AUC) 的性能评估.
主要成果:
- 该框架在外部验证集上实现了高检测和细分性能,IOU为0.71±0.25和Dice分数为0.75±0.26.
- 实现了0.959的二进制和0.900的三类分类的AUC,分别准确率为90.6%和78.3%.
- 三类分类的表现优于初级放射科医生,与高级放射科医生相当.
结论:
- 开发的基于MRI的集体多任务DL框架显示了自动和同时检测,细分和分类PBT和骨感染的巨大潜力.
- 该框架的表现超过了初级放射科医生的表现,为临床差异诊断和支持治疗决策提供了宝贵的工具.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
14.3K
