手术切除腔的自动细分:将四种方法与手动细分方法进行比较
Merran R Courtney1, Benjamin Sinclair2, Andrew Neal1
1Department of Neuroscience, School of Translational Medicine, Monash University, Melbourne, Victoria, Australia; Department of Neurology, Alfred Health, Melbourne, Victoria, Australia; Department of Neurology, Royal Melbourne Hospital, Melbourne, Victoria, Australia.
NeuroImage
|June 12, 2024
概括
针对手术腔的自动化MRI细分管道显示出不同的精度. 基于SPM的方法,如Epic-CHOP和ResectVol在混合队列中超过了深度学习方法,尽管人类审查仍然是必不可少的.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 手术 手术 手术
背景情况:
- 在MRI上切除腔的精确细分对于手术结果研究至关重要.
- 手动细分是劳动密集型的,推动了对自动化解决方案的需求.
- 现有的自动化管道通常仅限于手术.
研究的目的:
- 为了比较四个开源自动化细分管道的准确性.
- 为了评估时间和时间外手术患者的混合队列中的表现.
- 评估自动化管道在结果预测研究中预处理数据的实用性.
主要方法:
- 评估了四个开源管道 (Epic-CHOP,ResectVol,Resseg,Deep Resection) 的情况.
- 管道使用SPM-12或3D U-net卷积神经网络.
- 手动对50名手术患者的MRI进行细分,作为基底真相.
- 用子相似系数 (DSC) 来量化准确度.
主要成果:
- 没有单一的管道实现了完美的细分.
- 基于SPM的管道 (ResectVol: 88%,Epic-CHOP: 84%) 检测到的空洞比深度学习管道 (Resseg: 44%,深度研究: 46%) 更多.
- 基于SPM的方法在整体和额外时队列中表现出优异的性能,精度可比,但在时队列中检测能力更高.
结论:
- 基于SPM的自动细分管道在混合队列中表现出比手术腔的深度学习方法更好的性能.
- 这些工具可以提高预处理数据的效率,用于预测机器学习结果.
- 人类质量控制仍然是可靠结果的必要条件.
