基于卷积神经网络的磁共振图像对 filum terminale ependymomas 和 schwannomas 的分化
Zhaowen Gu1, Wenli Dai2, Jiarui Chen1
1Department of Neurosurgery, The Second Affiliated Hospital, School of Medicine, Zhejiang University, 88, Jiefang Road, Hangzhou, China.
BMC cancer
|March 20, 2024
概括
使用卷积神经网络 (CNN) 的深度学习模型可以使用MRI扫描准确地区分 filum terminale ependymomas (FTEs) 和 schwannomas. 这种由人工智能驱动的方法对改善脊髓瘤手术前诊断和手术规划具有前景.
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
- 脊柱瘤学 脊柱瘤学
背景情况:
- 在手术前区分 filum terminal ependymomas (FTEs) 和 schwannomas 是一个挑战,但对于手术策略和预后至关重要.
- 传统的磁共振成像 (MRI) 解释可能是主观的,需要更客观的诊断工具.
研究的目的:
- 评估深度学习模型的有效性,特别是卷积神经网络 (CNN),在基于MRI的FTEs和 schwannomas之间进行区分.
- 评估CNN在不同MRI序列 (T1加权,T2加权,对比增强T1加权) 的诊断性能.
主要方法:
- 从100名患者 (50名FTEs,50名神经瘤) 的对比增强MRI数据的回顾性分析.
- 开发和验证CNN模型,使用培训/内部数据集和独立的外部测试数据集 (34对) 的五倍交叉验证.
- 在CNN模型中使用了Inception-v3架构,分析了T1-WI,T2-WI和CE-T1顺序.
主要成果:
- CNN模型实现了高诊断性能,所有MRI序列的综合分析产生了0.93的接收器操作特征曲线 (AUC) 下的面积,准确率为0.87.
- 区分FTEs与 schwannomas的特异性为0.72 (T1-WI),0.84 (T2-WI),0.74 (CE-T1) 和0.81 (所有序列).
- 在外部测试数据集中,灵敏度为0.78 (T1-WI),0.79 (T2-WI),0.88 (CE-T1) 和0.88 (所有序列).
结论:
- 基于CNN对MRI数据的分析表明,在腰部脊柱通道中精确分化尾瘤和脊柱瘤的手术前显著潜力.
- 这种人工智能方法可以提高诊断准确度,指导手术规划,并改善脊髓瘤患者的治疗结果.
