深度学习方法用于基于图像的结核性硬化综合体的自动细分
Xuemin Zhao1, Xu Hu2,3, Zhihao Guo2
1Department of Neurophysiology, Beijing Neurosurgical Institute, Capital Medical University, Beijing 100071, China.
Journal of clinical medicine
|February 10, 2024
概括
这项研究引入了一种新的AI方法,用于在结核性硬化综合体 (TSC) 患者中寻找和细分结核. 该方法使用神经成像和深度学习准确地识别了发性结核,有助于临床管理.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 结核性硬化综合体 (TSC) 是一种遗传性疾病,导致多个器官的良性瘤 (结核).
- 在TSC患者的有效治疗和手术规划中,识别发性结核至关重要.
- 目前用于结核细分和识别的方法可能是劳动密集型和主观的.
研究的目的:
- 开发和验证一种新的方法,用于识别TSC中的发性结核.
- 使用三维卷积神经网络 (3D CNN) 来自动化结核细分.
- 为了研究神经成像特征,将发性与非发性结核区分开来.
主要方法:
- 对31名TSC患者的神经成像数据的回顾性分析.
- 手动注释病变和通过手术前评估和立体电脑摄影来确定发性.
- 提取和比较神经成像指标之间的发性和非发性结核.
- 在五个数据集上开发和培训3D CNN,并采用各种预处理策略进行自动细分.
主要成果:
- 发性茎的正常化PET代谢值显著较低 (p = 0.001).
- 在数据集中,3D CNN 实现了高定位精度 (0.992-0.994).
- 自动化细分与临床医生的特征有很高的相关性,与参考细分有很好的一致性.
结论:
- 神经成像特征可以有效地区分TSC中的发性茎.
- 开发的3D CNN方法提供了准确和自动化的结核细分.
- 这种深度学习工具增强了外科手术的信心,并为管理TSC提供了临床价值.
