基于深度学习的自动细分和轨道肌肉和脂肪的定量体积分析,用于诊断甲状腺眼病
Adham M Alkhadrawi1, Lisa Y Lin2, Saul A Langarica1
1Department of Radiology, Lab of Medical Imaging and Computation, Massachusetts General Hospital, Harvard Medical School, Boston, Massachusetts, United States.
Investigative ophthalmology & visual science
|May 2, 2024
概括
深度学习准确地对甲状腺眼病 (TED) 中的轨道组织进行细分. 使用这些卷的机器学习模型有效地区分轻度和重度的TED与压缩性视神经病变 (CON).
科学领域:
- 眼科医生 眼科 眼科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 甲状腺眼病 (TED) 涉及到轨道组织的扩散.
- 压缩性视神经病变 (CON) 是TED的一个严重并发症.
- 对轨道组织进行准确的体积评估对于诊断和管理至关重要.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于自动对TED患者CT图像中的轨道肌肉和脂肪体积进行细分.
- 创建一个机器学习 (ML) 分类器,使用这些体积数据来区分TED和TED与CON.
主要方法:
- 一个U-NetDL模型被用来自动细分轨道肌肉和脂肪.
- 随机森林分类器集团用于体积分析.
- 被试被分为正常,轻度TED和严重的TED与CON组.
主要成果:
- DL模型在细分肌肉 (Dice 0.902) 和脂肪 (Dice 0.921) 中实现了高精度.
- 在正常,轻度和严重的TED群体中观察到肌肉体积的统计学上显著差异.
- 在预测TED严重程度和CON时,ML分类器的准确度为0.838和AUC为0.929.
结论:
- 在TED中基于DL的轨道图像的自动细分是准确和高效的.
- 使用体积和元数据的ML分类显示了高的诊断性能,可以区分TED和TED与CON.
- 这种方法为临床研究中的快速和精确的体积评估提供了有价值的工具.
