基于深度学习神经网络的自动识别和量化转移性脑瘤和周围胀
Chi-Jen Chou1, Huai-Che Yang2,3, Po-Yao Chang4
1Division of Neurosurgery, Department of Surgery, Kaohsiung Veterans General Hospital, Kaohsiung, Taiwan.
Journal of neuro-oncology
|December 22, 2023
概括
这项研究引入了一种深度学习模型,用于使用MRI扫描对脑瘤和瘤进行自动细分. 该模型准确地识别了转移性瘤和相关的胀,有助于临床分析和研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 精确细分脑瘤和瘤对于治疗规划和监测至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
- 深度学习为自动化这一过程提供了一个有希望的途径.
研究的目的:
- 开发和验证一种深度学习模型,用于对转移性脑瘤和周周胀的自动细分.
- 使用定量指标评估模型的性能.
- 为临床应用提供一个用户友好的界面.
主要方法:
- 基于面具区域的卷积神经网络 (R-CNN) 用于大脑外围细胞抽取.
- 使用DeepMedic的3D卷积神经网络 (CNN) 来对瘤和瘤进行细分.
- 该模型在46名患者的90个MRI数据集 (T1cWI和T2WI) 上受过训练,由神经外科医生进行手动注释.
主要成果:
- 大脑外围细胞提取模型实现了96.4%的Dice相似系数 (DSC).
- 转移性瘤和瘤的细分模型的DSC分别为71.6%和85.1%.
- 开发了一个直观的图形用户界面 (GUI),以支持临床使用.
结论:
- 一个新的深度学习模型可以使用T1cWI和T2WI实现脑转移性瘤和周围的自动细分和量化.
- 这种自动化方法可以显著帮助临床分析,并促进进一步的研究.
- 该技术有可能应用于其他内病变.
