使用深度学习来检测膝盖MRI异常的脂肪抑制图像减去方法的可行性
Shusuke Kasuya1, Tsutomu Inaoka1, Akihiko Wada2
1Department of Radiology, Toho University Sakura Medical Center, Sakura, Japan.
Polish journal of radiology
|February 16, 2024
概括
深度学习模型可以为膝盖MRI生成高质量的脂肪抑制图像,通过图像减法实现异常检测. 这种人工智能方法在识别各种膝关节疾病方面表现出高准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 膝盖磁共振成像 (MRI) 对于诊断关节疾病至关重要.
- 脂肪抑制技术提高了病变的可见性,但可能耗时.
- 开发用于生成和分析MRI序列的自动化方法是一个活跃的研究领域.
研究的目的:
- 评估深度学习 (DL) 模型在生成脂肪抑制 (FS) 膝盖MRI图像中的可行性.
- 评估DL模型在使用FS图像减法方法检测异常方面的能力.
主要方法:
- 使用2D卷积神经网络开发了一个DL模型.
- 该模型生成了FS图像,并在正常和异常扫描之间进行了减法.
- 图像质量和检测性能指标 (准确度,精度,回忆,F测量,灵敏度,AUROC) 被计算出来.
主要成果:
- 生成的FS图像具有足够的质量.
- 89.1%的减法图像被认为是充足的.
- 在检测各种异常方面获得了很高的准确度 (89.5-95.1%),包括ACL,骨髓,软骨和阴茎.
结论:
- DL模型成功生成了足够质量的FS图像,用于膝盖MRI.
- 由DL驱动的FS图像减法方法有效检测异常.
