两种不同的多模式方法的强大组合,用于在多个中心数据集中使用脑瘤表示的3D缺血性中风细分
Hyunsu Jeong1, Hyunseok Lim1, Chiho Yoon1
1Graduate School of Artificial Intelligence (GSAI), Department of Electrical Engineering, Medical Science and Engineering, and Medical Device Innovation Center, Convergence IT Engineering, Mechanical Engineering, Pohang University of Science and Technology (POSTECH), Pohang, South Korea.
Journal of imaging informatics in medicine
|May 1, 2024
概括
这项研究引入了针对急性缺血性中风细分的集体深度学习模型,通过多式核磁共振和转移学习提高了外部数据集的准确性. 该模型在挑战中获得了最高排名,为放射科医生增强了病变检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 精确细分急性缺血性中风病变对于患者的评估和治疗至关重要.
- 目前的深度学习模型难以将其推广到私人医院数据集.
- 多模态MRI方法为改善细分性能提供了潜力.
研究的目的:
- 开发一个通用的深度学习模型,用于急性缺血性中风细分,使用多模式MRI.
- 评估转移学习和不同培训方案的有效性,以提高对外部数据集的模型性能.
- 提高临床环境中缺血性中风病变检测的准确性和稳定性.
主要方法:
- 使用扩散加权成像 (DWI) 和明显扩散系数 (ADC) 的MRI模式开发了一套集体深度学习模型.
- 在缺血性中风数据训练之前,使用BraTS 2021脑瘤数据集进行转移学习.
- 采用了两种多模式推断策略:联合DWI/ADC培训与DWI推断,以及DWI/ADC的通道智能连接用于推断.
主要成果:
- 提出的方法在ISLES'22挑战中获得了top-1排名,子系数为78.69%,损伤智能F1得分为82.46%.
- 该模型在AMC I和II数据集上表现出稳健性,Dice分数分别为60.35%和74.12%.
- 转移学习和多模式数据集成显著改善了跨不同数据集的细分性能.
结论:
- 集成的深度学习模型,包括多模式MRI和转移学习,增强了急性缺血性中风细分的概括性.
- 开发的方法提供了高精度和稳定性,帮助放射科医生检测缺血性中风病变.
- 模型重量和代码的开源可用性促进了进一步的研究和临床应用.
