深度学习在多式磁共振图像上对质母细胞瘤多形区域进行自动语义细分
Maria Beser-Robles1, Jaime Castellá-Malonda2, Pedro Miguel Martínez-Gironés3
1Biomedical Imaging Research Group (GIBI230), Instituto de Investigación Sanitaria La Fe, Avenida Fernando Abril Martorell, 106, 46026, Valencia, Spain. maria_beser@iislafe.es.
概括
深度学习使用脑磁共振扫描准确地细分质母细胞瘤多形 (GBM) 瘤和亚区域. 这种自动化方法提高了识别瘤区域的精度,有助于诊断和治疗计划.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 多形质母细胞瘤 (GBM) 是一种侵略性的脑瘤,需要精确的细分才能有效治疗.
- 在MRI上手动对GBM进行细分是耗时的,并且受观察者之间的变化影响.
- 使用深度学习的自动细分方法可以提高效率和准确性.
研究的目的:
- 评估3D U-Net深度学习算法的有效性,用于GBM的自动细分.
- 准确地划分四个不同的GBM区域:增强瘤,周周胀,非增强/死瘤和总瘤.
- 在公共 (BraTS2021) 和内部 (PerProGlio) 数据集上评估算法的性能.
主要方法:
- 开发一个3D U-Net神经网络,用于GBM的语义细分.
- 培训网络使用来自BraTS2021的1251名患者的MRI图像,并使用专家划分的地面真相标签.
- 在50名来自PerProGlio队伍的GBM患者上测试优化网络,使用Dice分数,精度和灵敏度指标.
主要成果:
- 3D U-Net 模型在两个数据集中都表现出可靠的性能.
- 报告了总瘤,,增强瘤和非增强/死瘤的平均子得分.
- 针对不同的瘤亚区域模型,使用了特定的MR序列,优化了性能.
结论:
- 深度学习网络在细分GBM及其子区域方面取得了高精度.
- 准确性与之前在GBM研究中报告的结果一致.
- 该方法可以使用相关的MR序列为不同瘤子区域创建专门的模型.
