在使用深度学习增强对比度的T1加权MRI中测量脑膜瘤的自动体积

科学领域:

• 神经辐射学神经辐射学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 脑膜瘤是常见的内瘤,需要准确的体积评估来规划治疗和随访.
• 现有的自动化体积测量方法用于使用单模式MRI的脑膜瘤缺乏足够的准确性.
• 需要可靠的自动体积计,以帮助管理脑膜瘤.

研究的目的:

• 开发一种基于深度学习的自动体积测量方法,用于使用磁共振成像 (MRI) 的脑膜瘤.
• 与手动细分相比,研究这种自动化方法的准确性.
• 探索这个算法作为成像生物标记物的潜在临床应用.

主要方法:

• 利用了178名脑膜瘤患者的MRI图像 (2007-2020年).
• 采用深度学习模型进行训练并使用leave-one-out交叉验证进行验证.
• 使用子指数 (DI) 和根平均平方百分比误差 (RMSPE) 评估模型准确性.

主要成果:

• 深度学习模型实现了瘤病变的平均DI为0.923±0.051.
• 该算法显示,总瘤体积的RMSPE为9.5±1.2%.
• 在手动和基于算法的瘤体积测量之间没有发现显著差异 (p=0.96).

结论:

• 开发的自动化瘤体积算法显示了作为基于体积的成像生物标志物的前景.
• 这种工具可以帮助优化和个性化治疗中枢神经系统瘤.
• 这些发现支持将人工智能驱动的体积分析集成到神经辐射成像中.