基于深度学习的分化,在T2加权的短tau逆转恢复MRI中对外围高流量和低流量血管形的差异化

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 精确区分高流和低流血管形 (VMs) 对于有效的治疗管理至关重要.
• 血管形是一种孤儿疾病,需要专门的诊断方法.

研究的目的:

• 评估卷积神经网络 (CNN) 在区分外围血管形 (VMs) 的诊断性能.
• 将CNN的表现与放射科医生进行比较,并评估其对其诊断能力的影响.

主要方法:

• 使用了527个MRI (386个低流量,141个高流量VM) 的数据集,分为培训,验证和测试集.
• 美国有线电视新闻网的诊断性能与专家和初级放射科医生的诊断性能进行了比较.
• 评估了CNN协助对放射科医生的表现和诊断确定性的影响,以及初级放射科医生的自我培训的影响.

主要成果:

• 美国广播公司的诊断准确度与专家放射科医生 (92%与97%相比) 相当,并且超过了初级放射科医生 (92%与77%相比).
• CNN的协助并没有显著提高初级放射科医生的诊断性能或确定性.
• 青年放射科医生在自我训练后表现出更好的特异性和准确性,达到与CNN相当的水平.

结论:

• 美国有线电视新闻网在区分高流量VM和低流量VM方面向专家放射科医生展示了可比的诊断性能.
• 美国有线电视新闻网的协助并没有显著改善初级放射科医生的模拟临床实践.
• 自我培训成为提高初级放射科医生的VM差异化诊断能力的更有效方法.