培训和nnU-Net和DeepMedic方法的比较,用于儿童脑瘤的自我细分
Arastoo Vossough1,2,3, Nastaran Khalili1, Ariana M Familiar1
1From the Center for Data Driven Discovery in Biomedicine (A.V., N.K., A.M.F., D.G., K.V., D.H., S.B., H.A., P.B.S., A.R., A.N., A.F.K.), Children's Hospital of Philadelphia, Philadelphia, Pennsylvania.
AJNR. American journal of neuroradiology
|May 9, 2024
概括
nnU-Net深度学习模型在细分儿科脑瘤方面显著优于DeepMedic,为整个瘤和子区域分析提供了更高的准确性. 这一进步有助于儿童大脑癌症的手术和治疗计划.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 儿科神经外科 儿科神经外科
背景情况:
- 准确的瘤细分对于儿科脑瘤治疗和监测至关重要.
- 手动细分是劳动密集型的,容易变化.
- 深度学习为自动细分提供了一个有希望的替代方案.
研究的目的:
- 为了比较两个深度学习模型DeepMedic和nnU-Net的性能,用于细分儿科脑瘤.
- 用多参数MRI数据从多机构队列评估细分精度.
- 评估模型对划分整个瘤和特定亚区域的能力.
主要方法:
- 在339个儿科脑瘤MRI数据集上训练了DeepMedic和nnU-Net模型.
- 将瘤细分为增强瘤,非增强瘤,囊性成分和周围胀.
- 在内部和外部测试集上使用Dice分数,相关系数和Bland-Altman分析来评估模型性能.
主要成果:
- 在整个瘤和子区域细分方面,nnU-Net的Dice得分明显高于DeepMedic (P ≤0.01).
- nnU-Net在瘤子区域体积百分比方面表现出卓越的一致性.
- 对2023年BraTS-PED数据的外部验证证实了nnU-Net的概括能力.
结论:
- 与DeepMedic.com相比,儿科特定的数据训练nnU-Net模型表现出更高的性能.
- nnU-Net为儿科脑瘤细分提供了一个更准确,更可靠的工具.
- 这种深度学习方法有可能提高儿科神经瘤学中的临床决策.
