成人类型扩散性结质瘤的自动细分:基于转移学习的卷积神经网络模型与放射科医生的比较
Qi Wan1,2, Jisoo Kim3, Clifford Lindsay4
1Department of Imaging, Dana Farber Cancer Institute, Harvard Medical School, Boston, MA, USA.
Journal of imaging informatics in medicine
|February 21, 2024
概括
一个深度学习模型在MRI扫描中自动化了质瘤细分,取得了与放射科医生相似的结果. 这种工具对定量性脑瘤评估有希望,尽管在复杂的病例中仍然存在挑战.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的质瘤细分对于脑瘤评估和治疗计划至关重要.
- 手动细分是耗时的,需要自动化解决方案.
- 多序MRI数据对于全面评估质瘤至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于使用多序MRI对质瘤进行自动细分.
- 为了比较DL模型的性能与放射科医生的手动细分.
- 评估模型在不同类型的质瘤亚型 (新型与复发型,单焦与多焦) 上的有效性.
主要方法:
- 一个深度学习模型在公共数据集上进行了预训练,并使用机构数据集与手动放射科医生注释进行了微调.
- 该模型使用了FLAIR,T2WI,对比度增强 (CE) -T1WI和ADC序列.
- 独立放射科医生使用子相似系数 (DSC) 和半定量得分来评估表现.
主要成果:
- 微调的DL模型表现出与手动细分的良好一致性 (DSC中位数:0.729).
- 与复发性质瘤 (0.698) 相比,新诊断的 (0.807) 观察到更高的DSC.
- 单焦性 (0.747) 的细分精度高于多焦性质瘤 (0.613).
- DL模型的半定量得分与放射科医生的得分没有显著差异.
结论:
- 基于转移学习的DL模型在质瘤细分方面显示了与人类放射科医生的性能相当的表现.
- 该模型对结构性和ADCMRI序列都有效.
- 对于细分具有挑战性的病例,如术后和多焦点质瘤,需要进一步改进.
