深度学习辅助的扩散电张器成像用于评估物理和元物理
Phuong T Duong1, Laura Santos2, Hao-Yun Hsu2
1Department of Radiology, Columbia University Irving Medical Center, New York, NY, USA. ptd2107@cumc.columbia.edu.
Journal of imaging informatics in medicine
|February 6, 2024
概括
联网变压器 (UNETR) 能够自动细分体质扩散张力成像 (DTI) 扫描,显著减少处理时间和儿科身高变化预测的变化.
科学领域:
- 医疗成像医学成像
- 生物标志物 生物标志物
- 儿科内分泌学 儿科内分泌学
背景情况:
- 体和甲体的扩散张力成像 (DTI) 作为预测儿童身高变化的生物标志物.
- 目前在DTI中手动细分体是劳动密集型的,容易发生观察者间的变异性,阻碍了临床应用.
研究的目的:
- 评估UNET变压器 (UNETR) 的有效性,这是一个深度学习模型,用于物理DTI图像的自动细分.
- 在速度,一致性和准确性方面,将UNETR的性能与UNET模型和手动细分进行比较.
主要方法:
- 从191名儿科受试者 (平均年龄12.6岁) 的385个DTI扫描进行了回顾性分析.
- 培训和验证UNETR和UNET模型用于自动体内细分.
- 自动化方法与手动细分之间的细分时间和Dice相关系数 (DCC) 的比较.
- 对兴趣区域 (ROI) 衍生的股骨扩散指标的类内相关系数 (ICC) 的评估.
主要成果:
- UNETR实现了0.81的平均DCC,超过了UNET模型 (0.68) 的表现,并显著改善了手动细分.
- 使用深度学习模型 (UNETR和UNET) 的自动细分每卷需要不到1秒,而手动细分需要15分钟.
- 对通道数量 (0.95),体积 (0.95) 和分数异构 (FA) (0.97) 观察到优异的ICC值,对通道长度 (0.87) 观察到良好的ICC值.
结论:
- 混合型UNETR模型可以有效地自动化物理DTI图像的细分,取代手工方法.
- 自动化细分优化工作流程,减少处理时间,并提高DTI衍生生物标志物的可靠性,用于儿科高度预测.
