关节大脑瘤细分从多磁共振序列通过深度卷积神经网络
Farzaneh Dehghani1, Alireza Karimian1, Hossein Arabi2
1Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran.
Journal of medical signals and sensors
|July 12, 2024
概括
使用深度学习的自动脑瘤细分表明,流体减弱反转恢复 (FLAIR) 序列产生了最好的单个序列精度. 将所有四个MRI序列结合起来,实现了脑瘤划分的最高整体精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 手动脑瘤细分是耗时和主观的.
- 自动细分可以提高诊断的一致性和治疗计划.
- 深度学习为自动化脑瘤划分提供了一个有希望的方法.
研究的目的:
- 使用深度学习自动化脑瘤细分.
- 评估单个和组合MRI序列 (FLAIR,T1W,T2W,T1ce) 的准确性,以进行细分.
- 确定最佳的MRI序列或组合,以准确地划分脑瘤.
主要方法:
- 利用了BraTS-2020数据集,其中包括370名受试者和四个MRI序列.
- 训练了一个残余神经网络进行细分.
- 评估模型使用单通道 (单个序列) 和多通道 (组合序列) 输入.
主要成果:
- 在单个序列中,FLAIR序列获得了最高的精度 (指数0.77 ± 0.10).
- 结合FLAIR和T2W序列可以提高准确性 (Dice指数为0.80±0.10).
- 将所有四个序列进行细分,获得了最高的整体精度 (Dice指数0.82 ± 0.09).
结论:
- FLAIR是用于脑瘤细分的最佳单一MRI序列.
- 将所有四个MRI序列 (FLAIR,T1W,T2W,T1ce) 结合起来,为瘤划分提供了最高的准确性.


