基于深度学习的脑膜瘤自动细分从T1加权对比增强MRI进行手术前脑膜瘤分化,使用放射性特征
Liping Yang1, Tianzuo Wang2, Jinling Zhang3
1Department of PET-CT, Harbin Medical University Cancer Hospital, Harbin, 150001, China.
BMC medical imaging
|March 5, 2024
概括
一个新的深度学习模型 (DLM) 使用常规MRI扫描精确检测和细分脑膜瘤. 这种模型可以进行放射学分析,用于脑膜瘤的手术前分级,从而提高诊断能力.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 脑膜瘤需要准确的检测和分类,以进行有效的治疗计划.
- 目前用于脑膜瘤细分和分类的方法可能耗时且主观.
- 深度学习和放射学的整合有望提高诊断准确度.
研究的目的:
- 开发和评估一个深度学习模型 (DLM) 用于在常规MRI上自动检测和细分脑膜瘤.
- 创建一个放射学模型,使用自动细分的特征来进行低级和高级脑膜瘤的手术前分化.
主要方法:
- 开发了一个深度学习模型 (SegResNet) 用于使用326名患者的数据集进行脑膜瘤细分.
- 进行手动细分以进行比较和验证.
- 放射性特征是从自动化细分中提取的,使用的是pyradiomics.
- 使用选定的放射学特征构建了一个分类模型,以分类脑膜瘤.
主要成果:
- 在脑膜瘤检测和细分方面,DLM实现了高性能,在测试组中,平均Dice系数为0.881和95%的豪斯多夫距离为2.016.
- 从手动和自动细分中提取的放射性特征显示出强烈的一致性 (平均ICC:0.804).
- 放射学模型在区分脑膜瘤等级方面表现良好,AUC为0.842.
结论:
- 开发的DLM可提供精确的自动检测和脑膜瘤的细分.
- 这项研究表明,使用DLM衍生放射学来进行术前脑膜瘤分级的可行性.
- 这种方法可能有助于提高临床决策,用于脑膜瘤管理.
