使用U-Net在脊柱MRI上的骨转移的自动检测和细分:一个多中心研究
Dong Hyun Kim1,2, Jiwoon Seo1,3, Ji Hyun Lee1
1Department of Radiology, SMG-SNU Boramae Medical Center, Seoul, Republic of Korea.
Korean journal of radiology
|March 26, 2024
概括
深度学习模型在脊髓MRI扫描上准确地检测骨转移. T1 + CE U-Net 模型显示出卓越的性能,在识别脊髓骨转移方面表现优于放射科医生.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 脊柱骨转移是癌症的一个常见并发症.
- 精确的细分和MRI检测对于治疗计划至关重要.
- 手动分析脊柱MRI的骨转移是耗时的,容易引起观察者之间的变化.
研究的目的:
- 开发和评估深度学习模型,用于自动细分和检测脊柱MRI上的骨转移.
- 为了比较不同U-Net架构和MRI序列的性能.
- 评估与经验丰富的放射科医生对抗的诊断性能.
主要方法:
- 使用了322名骨转移成年患者的全脊椎MRI扫描.
- 七个2D和3DU-Net模型被训练使用T1加权,对比度增强的T1加权迪克森仅脂肪和对比度增强的脂肪抑制的T1加权序列的组合.
- 使用Dice系数,像素智能回忆/精度和每损伤灵敏度来评估性能,并与放射科医生在外部测试组上的性能进行比较.
主要成果:
- 在外部测试组中,2D U-Net T1 + CE 模型实现了最佳的细分性能 (迪斯系数为 0.699,回忆值为 0.653).
- 这种模型在转移检测方面表现出高的每损伤灵敏度 (0.828内部,0.857外部).
- 放射科医生在外部测试组上获得了0.746的平均每损伤灵敏度和0.701的积极预测值.
结论:
- 深度学习模型,特别是2D U-Net T1 + CE模型,在脊柱MRI上自动检测骨转移时显示出高的诊断性能.
- 这些模型提供了一个有前途的工具,以帮助放射科医生准确有效地识别脊髓骨转移.
- 自动化分析有可能提高一致性,减少脊柱MRI转移性疾病的解释工作量.
