基于深度学习的骨髓缩的量化使用磁共振图像在高希氏病

科学领域:

• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用
• 溶酶体储存障碍 溶酶体储存障碍

背景情况:

• 氏病是一种常见的溶酶体储存障碍,经常导致骨髓缩,导致骨折和关节崩.
• 磁共振成像 (MRI) T1加权 (T1w) 图像监测骨参与,但对骨髓缩的客观量化仍然有限.
• 精确评估骨髓缩程度对于预测高氏病患者的不良事件至关重要.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于在T1wMRI扫描中对骨髓缩和未受影响的骨髓 (UBM) 进行细分.
• 为了提取骨髓缩的定量形态参数.
• 分析这些参数与脊髓切除术和治疗持续时间等临床因素的相关性.

主要方法:

• 两名U-net模型从364个T1w脊椎和大腿骨MRI扫描中接受了手动划分骨髓缩和UBM的训练.
• 这些模型被应用到来自英国国家高舍里特研究数据库的917个T1w图像部分.
• 计算了形态参数 (体积,分数),并检查了与骨髓负担得分,脊髓切除术和治疗延迟的相关性.

主要成果:

• 深度学习模型成功地在T1wMRI图像中对骨髓缩和UBM进行了细分.
• 计算的特征与骨髓负担得分没有强烈的相关性.
• 之前的脊髓切除术与较高的骨髓缩量有关,较长的未经治疗的疾病持续时间与骨髓缩量正相关.

结论:

• 深度学习技术通过MRI提供了一种高效可靠的方法,通过MRI量化高氏病患者的骨髓缩.
• 定量测量与关键临床因素相关,这表明改善不良事件预测的潜力.
• 这种方法可以提高骨干干涉的评估,并指导高氏病的临床管理.