相关实验视频
Updated: Jun 26, 2025
08:51
Magnetic Resonance Imaging of Multiple Sclerosis at 7.0 Tesla
Published on: February 19, 2021
9.0K
基于深度学习的MRI在预测多发性硬化症的诊断有效性:一个元分析
Tareef S Daqqaq1, Ayman S Alhasan1, Hadeel A Ghunaim1
1From the Department of Internal Medicine (Daqqaq, Alhasan, Ghunaim),College of Medicine, Taibah University, Madinah, and from Department of Radiology (Daqqaq), Prince Mohammed Bin Abdulaziz Hospital, Ministry of National Guard Health Affairs, and from the Department of Radiology (Alhasan), King Faisal Specialist Hospital and Research Center, Madinah, Kingdom of Saudi Arabia.
Neurosciences (Riyadh, Saudi Arabia)
|May 13, 2024
概括
应用于MRI扫描的卷积神经网络 (CNN) 在识别,分类和细分多发性硬化症 (MS) 病变方面表现出高准确性. 这种自动化方法为快速有效的MS诊断提供了一个有希望的工具.
科学领域:
- 神经学和医学成像学
- 人工智能在医学中的应用
- 机器学习用于疾病诊断和诊断
背景情况:
- 多发性硬化症 (MS) 是一种影响中枢神经系统 (CNS) 的炎症性疾病.
- 早期发现MS病变对于有效管理至关重要.
- 卷积神经网络 (CNN) 为医学图像分析提供模式识别功能.
研究的目的:
- 评估基于CNN的MRI诊断性能,用于MS病变的识别,分类和细分.
- 评估在MS诊断中CNN模型的准确性,敏感性和特异性.
- 确定2D-3D CNNs在分析大脑MRI对MS的有效性.
主要方法:
- 在多个数据库 (PubMed,科学网,Embase,Cochrane图书馆,CINAHL,谷歌学者) 进行了系统的文献搜索.
- 包括报告使用基于CNN的MRI用于MS诊断的研究.
- 评估的绩效指标包括准确度,灵敏度,特异性和子相似系数 (DSC).
主要成果:
- 2D-3D CNN在识别多发性硬化病变方面表现出高准确度 (98.81%),灵敏度 (98.76%) 和特异性 (98.67%).
- 分类准确度也显著高,为91.38%.
- 损伤细分的子相似系数 (DSC) 为63.78%,表明表现强.
结论:
- 基于2D-3D CNN的MRI代表了一个强大的,自动化的MS诊断系统.
- 这项技术显示出高诊断性能和迅速有效预测疾病的潜力.
- 这些发现支持将CNN纳入MS管理的临床实践.
