SCIseg:在脊髓损伤中对T2加权的骨髓内病变进行自动细分
Enamundram Naga Karthik1,2, Jan Valosek1,2,3,4, Andrew C Smith5
1NeuroPoly Lab, Institute of Biomedical Engineering, Polytechnique Montreal, Montreal, QC, Canada.
概括
一个新的深度学习工具,SCIseg,在MRI扫描中自动化脊髓损伤细分. 这一进步有助于更有效地分析脊髓损伤 (SCI) 数据,用于研究和临床应用.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经科学研究研究的神经科学研究.
背景情况:
- 脊髓损伤 (SCI) 研究需要精确细分肌内病变.
- 手动细分是耗时的,容易变化.
- 现有的工具可能难以处理各种MRI数据.
研究的目的:
- 开发一种深度学习工具,用于在SCI中对T2加权的骨髓内病变进行自动细分.
- 为创建一个用于病变和脊髓细分的开源解决方案.
主要方法:
- 一个深度学习模型 (SCIseg) 在191名SCI患者的T2加权MRI上使用主动学习进行训练.
- 数据包括来自多个部位的异质分辨率,方向和病变病因.
- 模型性能与开源基线和手册注释进行了比较.
主要成果:
- 在脊髓和病变方面,SCIseg表现出优异的细分性能.
- 与手动细分相比,在损伤长度和最大轴损伤比率上没有发现显著差异.
- 来自SCIseg的定量MRI生物标志物与手动测量可比.
结论:
- 使用SCIseg对SCI损伤的自动细分简化了分析,并使大规模研究成为可能.
- 该模型有效地在各种病因和成像条件中对病变进行细分.
- SCIseg是一个通过脊髓工具箱提供的开源工具,促进了更广泛的采用.
