深度学习检测动脉瘤剪辑用于磁共振成像安全安全
Megan Courtman1, Daniel Kim2, Huub Wit3
1Faculty of Science and Engineering, School of Engineering, Computing and Mathematics, University of Plymouth, Plymouth, PL4 8AA, UK. megan.courtman@plymouth.ac.uk.
Journal of imaging informatics in medicine
|February 12, 2024
概括
人工智能模型可以在CT扫描上准确地检测动脉瘤剪辑,提高MRI手术前的患者安全. 这种自动化系统通过可靠地标记金属植入物来增强MRI前的安全检查.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 患者安全 患者安全
背景情况:
- 金属植入物,如动脉瘤剪贴,在MRI扫描期间存在重大风险.
- 目前在MRI之前识别动脉瘤剪切患者的方法是手动的,并且可能容易出错.
- 需要自动检测动脉瘤剪辑来提高患者的安全性.
研究的目的:
- 为了评估机器学习模型在CT图像上分类动脉瘤剪贴的存在或不存在时的准确性.
- 开发一个自动化系统,在MRI预约之前标记动脉瘤剪辑.
主要方法:
- 使用了280个CT头部扫描 (140个带有动脉瘤剪贴和140个没有动脉瘤剪贴) 的数据集.
- 一个预先训练的图像分类神经网络被重新训练来分类CT定位器图像.
- 该模型经历了五次交叉验证和在持久机组上进行测试.
- 使用夏普利增量扩展 (SHAP) 来解释模型预测.
主要成果:
- 机器学习模型在CT定位器图像上检测动脉瘤剪辑时实现了100%的平均灵敏度和82%的平均准确度.
- SHAP分析证实,该模型专注于相关感兴趣的地区.
- 在3DCT头部扫描上训练的模型没有超过定位器模型.
结论:
- 机器学习,特别是计算机视觉图像分类,可以在CT扫描上准确地检测动脉瘤剪辑.
- 这种自动化方法有可能通过加强MRI前查过程来显著提高患者的安全性.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
07:21Magnetic Resonance Derived Myocardial Strain Assessment Using Feature Tracking
Published on: February 12, 2011
14.3K
