血液瘤体积的临床使用基于使用3D U-Net的慢性腹腔内血液瘤自动细分的3D U-Net
Takayuki Inomata1,2, Koji Nakaya3, Mikio Matsuhiro3
1Department of Radiological Technology, Faculty of Health Science, Suzuka University of Medical Science, 1001-1 Kishioka, 510-0293, Suzuka City, Mie, Japan. meru_7493@yahoo.co.jp.
Clinical neuroradiology
|May 30, 2024
概括
这项研究引入了一种3D U-net方法,用于自动细分慢性腹腔内血瘤 (CSDH) 卷. 人工智能模型准确地预测了复发,为CSDH管理提供了临床适用的工具.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 慢性腹腔内血瘤 (CSDH) 是一个重大的临床挑战.
- 准确的血瘤体积测量对于预测复发和指导治疗至关重要.
- 目前的手动细分方法耗时且容易变化.
研究的目的:
- 开发和验证使用3D U-net细分计算CSDH体积的自动化方法.
- 评估该方法在预测CSDH复发中的临床适用性.
- 评估拟议的自动化方法的计算效率.
主要方法:
- 用200名患者 (400次扫描) 的手动细分CT扫描来训练3DU-net模型作为地面真相.
- 该模型的性能在215名患者 (430次扫描) 上进行了评估,计算了手术前血液瘤和术后腔体积的Dice分数.
- 使用接收器操作特征 (ROC) 曲线评估复发预测的准确性,将3D U-net结果与手动测量结果进行比较.
主要成果:
- 3D U-net实现了手术前血瘤体积的Dice中位数为0.764和术后腔体积的0.741.
- 用3D U-net进行复发预测的曲线下面面积 (AUC) 值与手动测量相当 (0.735比0.755在手术前,0.736比0.779在术后).
- 在移动PC上,自动细分过程平均每例仅需30秒.
结论:
- 拟议的3D U-net方法为CSDH体积计算提供了一个简单,准确和临床适用的方法.
- 这种自动化技术显示出在临床实践中广泛采用CSDH复发预测的潜力.
- 3D U-net 方法的效率和准确性支持其集成到 CSDH 管理协议中.
