基于深度卷积神经网络的金属人工物减少用于CT引导的干预瘤手术 (MARIO)

科学领域:

• 医疗成像医学成像
• 干预性放射学 干预性放射学
• 人工智能在医学中的应用

背景情况:

• 计算机断层扫描 (CT) 对于指导冷处理至关重要,但探头的金属文物阻碍了准确的放置和冰球可视化.
• 这些工件可能导致CT引导的干预瘤手术期间的病变治疗不足.
• 需要改进人工物减少,以提高冷剥离的精度.

研究的目的:

• 开发和验证基于图像的深度学习模型,用于CT引导的干预程序中的金属工件减少 (MARIO).
• 在冷过程中改善冷探测器和冰球的可视化.

主要方法:

• 开发了一个新的图像域金属文物模拟框架用于培训.
• 通过将冷化探针插入患者扫描中,生成了361个模拟CT体积.
• 使用模拟数据训练了一个U-Net卷积神经网络 (CNN) 模型,并通过真实冷CT图像进行验证.

主要成果:

• 马里奥处理的图像在所有评估指标上显示了显著更高的读者分数 (p < 0.001).
• 观察到的改进包括:整体图像质量 (+34.91%),冰球显眼性 (+36.29%) 和针尖可视化 (+34.17%).
• 最糟糕的金属文物减少和目标地区的信心显示大幅度增长,高达45.70%.

结论:

• 拟议的基于图像的金属文物模拟有效地训练了用于冷的深度学习算法 (MARIO).
• 马里奥在CT引导的冷化中显著减少了与探针相关的金属工件,提高了程序的准确性.
• 这种由人工智能驱动的方法显示出改善干预瘤学的结果的希望.