深度学习用于自动细分前庭神经瘤:从多中心常规MRI进行的回顾性研究
Aaron Kujawa1, Reuben Dorent1, Steve Connor1,2,3
1School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom.
Frontiers in computational neuroscience
|May 24, 2024
概括
现在可以使用常规的临床MRI扫描来准确地对前庭神经瘤 (VS) 进行自动细分. 这一在各种数据集上验证的进步,改进了以前的方法,并有助于患者管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 在MRI上对前庭神经瘤 (VS) 的自动细分有助于临床工作流程和患者管理.
- 以前的方法在标准化图像上取得了成功,但在不同的临床数据集上遇到了困难.
- 手术后图像和数据变化对细分算法构成重大挑战.
研究的目的:
- 为了证明在常规临床MRI数据集上准确的自动VS细分的可行性.
- 开发和验证用于VS细分的深度学习模型,使用多中心,常规的临床数据集.
- 为研究界发布新的数据集和训练有素的模型.
主要方法:
- 160名VS患者的多中心常规临床 (MC-RC) 数据集进行了策划,包括纵向MRI检查 (ceT1w和T2w).
- 手动注释通过涉及专业公司,放射科医生和专家团队的代过程来验证.
- 最先进的深度学习模型在MC-RC数据集上进行训练,并在保留集和其他公共数据集上进行评估.
主要成果:
- 在MC-RC数据集上训练的深度学习模型显示显著改善了概括性和稳定性.
- 获得了与MC-RC测试组中训练有素的放射科医生可比的子相似系数 (DSC) (中位数DSC:86.2%ceT1w,89.4%T2w,86.4%组合).
- 模型在单独的立体射线手术数据集 (中位数DSC:95.3%ceT1w,92.8%T2w,95.5%组合) 上表现高,而在该数据集上训练的模型在MC-RC数据上表现不佳.
结论:
- 在常规的临床MRI数据集上对VS的自动细分可以以高准确度实现.
- 对多种多中心常规临床数据的培训对于开发强大且可通用的VS细分模型至关重要.
- 发布的MC-RC数据集和训练模型将促进自动化VS细分的进一步研究和临床应用.
