在临床上获得了用于大脑SOL细分的新的具有挑战性的数据集:AJBDS-202323
Javaria Amin1, Muhammad Almas Anjum2, Nadia Gul3
1Department of Computer Science, University of Wah, Wah Cantt, Pakistan.
Data in brief
|January 17, 2024
概括
一个新的数据集,AJBDS-2023,提供现实世界的大脑MRI图像,用于开发计算机辅助检测占用空间的病变 (SOL). 这一数据集有助于公正,高效的MRI报告,提高脑瘤的诊断准确度.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 神经瘤学神经瘤学
背景情况:
- 在脑MRI上占用空间的病变 (SOL) 包括良性和恶性瘤,需要精确的检测和细分.
- 现有的脑瘤细分算法需要临床获得的数据集来进行实时图像分析.
- 减少MRI报告中的观察者间变异性和放射科医生的工作量对于高效的临床实践至关重要.
研究的目的:
- 介绍AJBDS-2023,一个用于脑瘤检测的多平面多序MRI切片 (MPMSI) 的新型数据集.
- 促进计算机辅助检测 (CAD) 系统的开发,以提供公正和快速的MRI报告.
- 为使用预处理的临床数据评估细分算法提供一个现实的平台.
主要方法:
- AJBDS-2023数据集包括10667个临床获得的,多平面的,多序列的MRI切片 (320x320x3),没有预处理.
- 在放射科医生监督下,手工创建了6,334个切片的瘤核心和瘤的基本事实注释.
- 在AJBDS-2023数据集中的4333张图像上对一个新的U-Net细分模型进行了定量评估.
主要成果:
- 在AJBDS-2023上训练的U-Net算法获得了77.4%的精度,82.3%的子相似系数 (DSC),87.4%的特异性和93.8%的灵敏度.
- 该模型显示的置信区间为90.4%.
- AJBDS-2023数据集,其未经预处理的图像,呈现了一个更具挑战性和现实的评估环境.
结论:
- AJBDS-2023数据集支持开发用于大脑瘤细分和检测的先进算法.
- 拟议的数据集增强了评估细分模型的现实性,从而导致更可靠的计算机辅助检测工具.
- 使用此数据集可以显著帮助放射科医生提高MRI脑瘤报告的准确性和效率.
