通过多个参数和nnU-Net深度学习自动细分模型的上腺体体量定量可视化工具

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 上腺体大小异常与各种疾病有关.
• 精确的上腺体体体积监测对于诊断诸如上腺增生和腺癌等疾病至关重要.
• 现有的细分模型在不同的成像参数和低剂量扫描中扎,限制了临床使用.

研究的目的:

• 开发一种用于上腺体体体积量化和可视化的全自动化工具.
• 解决当前对上腺腺细分的深度学习模型的局限性,特别是关于低剂量成像.
• 为了提高上腺细分的准确性和适应性,用于临床应用.

主要方法:

• 开发一个完全自动化的上腺细分工具,利用没有新的U-Net (nnU-Net) 架构.
• 在一个大型,多样化的数据集上训练模型,包括多个成像参数,机器类型,辐射剂量和上腺形态.
• 在一般和低剂量CT扫描上验证该工具的性能.

主要成果:

• 开发的工具在上腺腺细分方面实现了0.88的高整体子系数.
• 该模型在低剂量CT扫描上表现出强的性能,Dice系数为0.87.
• 与其他深度学习模型和现有的nnU-Net工具相比,该工具表现出更高的准确性和更广泛的适应性.

结论:

• 该自动化工具提供了准确和适应性的上腺体体积量定量,满足临床查,监测和手术前可视化需求.
• 基于nnU-Net的方法克服了以前模型的局限性,特别是在处理低剂量成像参数方面.
• 这项技术有可能显著改善上腺疾病的临床管理.