推进肌肉骨瘤诊断:使用深度学习和放射学进行自动细分和预测分类
Shuo Wang1, Man Sun2, Jinglai Sun3
1Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin, 300072, China; State Key Laboratory of Advanced Medical Materials and Devices, Tianjin University, Tianjin, 300072, China.
Computers in biology and medicine
|April 28, 2024
概括
这项研究介绍了MSAPN,这是一个深度学习模型,用于使用MRI更快,更准确地检测肌肉骨瘤. 它实现了高细分性能和精确的瘤分类,有助于临床诊断.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 肌肉骨 (MSK) 瘤需要精确的诊断以进行有效的治疗,因为其死亡率和异质性很高.
- 磁共振成像 (MRI) 对于MSK瘤检测至关重要,提供出色的软组织和骨对比度.
研究的目的:
- 提高MSK瘤检测和分级的速度和诊断准确度,使用MRI上的自动细分和放射学.
- 开发和验证深度学习 (DL) 模型,用于自动化MSK瘤细分.
主要方法:
- 开发了一个深度学习细分模型,MSAPN,利用多尺度注意力和像素级重建.
- 170名患有MSK病变的患者接受了MRI扫描;MSAPN与现有的细分算法进行了比较.
- 从MSAPN细分的病变中提取放射性特征,用于良性和恶性瘤的分类.
主要成果:
- 与先进的算法相比,MSAPN表现出优越的细分性能,Dice相似系数 (DSC) 为0.871 (测试) 和0.815 (验证).
- 放射学模型在分类良性和恶性病变时达到0.890的准确性.
- 在手动和基于MSAPN的细分之间没有发现分类准确度的显著差异.
结论:
- 使用DL和放射学进行自动细分和预测分类,推进MSK瘤诊断.
- 开发的MSAPN模型显示了改善诊断速度和准确性的前景.
- 功能图像可视化增强了基于DL的MSK瘤分析的临床解释性.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K