提高深度学习对T2损伤细分结质瘤在治疗后环境中的普遍性
Jacob Ellison1,2,3, Francesco Caliva1,2, Pablo Damasceno1,2
1Department of Radiology and Biomedical Imaging, UCSF, San Francisco, CA 94143, USA.
Bioengineering (Basel, Switzerland)
|May 25, 2024
概括
改善深度学习模型对脑瘤反应监测至关重要. 转移学习和空间规范化显著增强使用单次MRI对比度治疗质瘤的T2损伤细分,改善临床评估.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 监测脑瘤反应的深度学习模型通常是针对新诊断的病例进行训练的,这限制了它们在治疗后情景中的有效性.
- 精确的T2损伤细分在治疗的质瘤中对于可靠的反应评估至关重要.
研究的目的:
- 改善深度学习模型对T2损伤细分在治疗后质瘤的概括性.
- 评估数据混合,转移学习 (TL) 和空间规范化对细分性能的影响.
主要方法:
- 研究了训练深度学习模型,使用新诊断和治疗质瘤数据的组合.
- 应用转移学习从治疗前到治疗后成像领域.
- 仅使用T2 FLAIR图像进行T2损伤细分的内置空间规范化.
主要成果:
- 包括26%的接受治疗的患者在培训中的表现提高了13.9%.
- 与数据混合相比,转移学习提高了2.5%的灵敏度 (p < 0.05).
- 空间规范化与TL相结合,在第95个高清,子和灵敏度指标 (p <0.05) 上进一步提高了性能.
结论:
- 转移学习和空间规范化显著提高T2损伤细分治疗质瘤使用单个MRI对比.
- 这些方法证明了在治疗后患者中精确评估脑瘤反应的临床实用性.
- 最小的处理和单一对比输入使这些方法在临床应用中变得实用.
