在CT图像上使用深度学习和有限数据的自动细分乳腺母细胞瘤
Liang Xu1,2, Kaixi Qiu3, Kaiwang Li4
1The First Affiliated Hospital of Fujian Medical University, Fuzhou, China.
BMC oral health
|January 9, 2024
概括
本研究介绍了一种基于人工智能的自动细分方法,用于使用CT图像上的深度学习来对乳腺母细胞瘤进行细分. 该模型准确地对骨瘤进行细分,提高了诊断效率和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 骨髓母细胞瘤是一种常见的良性骨瘤,需要精确的细分来诊断和治疗.
- 对乳腺母细胞瘤的手动细分方法是低效的,有缺点.
- 基于AI的自动细分为临床工作流程提供了关键的改进.
研究的目的:
- 使用深度学习开发和评估基于人工智能的ameloblastoma自动细分方法.
- 为了提高乳腺母细胞瘤诊断和治疗规划的准确性和效率.
- 评估拟议模型在外部数据集上的概括性能.
主要方法:
- 收集了79名乳腺母细胞瘤患者的CT图像.
- 使用了一个Mask R-CNN深度学习神经网络架构.
- 在模型培训和测试中使用图像预处理,增强和交叉验证技术.
- 使用200张CT图像的外部数据集验证了模型.
主要成果:
- 人工智能模型成功执行了自动的乳腺母细胞瘤细分.
- 获得了0.874.4的DICE指数.
- 通过0.741 (IoU 0.5-0.95),0.914 (IoU 0.5) 和0.826 (IoU 0.75) 的平均精度 (AP),表现出强大的性能.
- 外部验证证实了强大的概括能力.
结论:
- 一个基于深度学习的神经网络有效地自动细分乳腺母细胞瘤.
- 拟议的方法在临床环境中显著提高了效率,准确性和速度.
- 这种人工智能方法是提高乳腺母细胞瘤诊断和治疗的有希望的工具.
