一个卷积神经网络模型,用于区分血母细胞瘤和其他小脑和脑干瘤,使用对比增强的MRI

科学领域:

• 医疗成像中的人工智能
• 神经学 神经学
• 放射学 放射学是一门学科.

背景情况:

• 血管母细胞瘤 (HB) 是一种高度血管化的瘤,通常在后脑中发现.
• 准确的HB手术前诊断对于预防严重的手术后并发症至关重要.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 模型,以区分HBs与其他小脑和脑干瘤.
• 利用对比度增强的大脑MRI数据来提高诊断准确度.

主要方法:

• 一项回顾性研究,涉及405名患者 (182名HB患者,223名其他瘤患者) 用3T对比度增强的T1加权MRI.
• 在切片的MRI数据上训练了一个2D CNN分类网络,结合了人口统计信息,数据增强和辅助瘤细分任务.
• 性能与经验丰富和中级神经放射学家进行了比较,Grad-CAM用于可视化.

主要成果:

• 在鉴定HBs时,CNN模型实现了高精度 (0.902 ± 0.031),F1得分 (0.891 ± 0.035) 和AUC (0.926 ± 0.040).
• 该模型的表现优于经验丰富的 (精度为0.887 ± 0.013) 和中级 (精度为0.827 ± 0.037) 神经放射学家.
• 废除研究证实了人口统计数据,数据增强和细分任务的好处.

结论:

• 开发的CNN模型有效地区分了血管母细胞瘤与小脑和脑干中的其他瘤.
• 人工智能模型的诊断性能与经验丰富的神经放射学家相当,为手术前诊断提供了宝贵的工具.