相关实验视频
Updated: May 10, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.7K
基于深度学习的自我配置nnU-net在多序MRI上的完全自动化细分和体积测量眼膜淋巴瘤:一个多中心研究多序MRI:
Guorong Wang1, Bingbing Yang1, Xiaoxia Qu1
1Department of Radiology, Beijing Tongren Hospital, Capital Medical University, No.1 DongJiaoMinXiang Street, DongCheng District, Beijing, 100730, China.
Neuroradiology
|July 16, 2024
概括
nnU-net深度学习模型在MRI上准确地对眼膜淋巴瘤 (OAL) 进行细分,在体积测量方面表现出色,特别是在T2加权的脂肪和图像上.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 眼膜性淋巴瘤 (OAL) 是一种罕见的恶性瘤,需要精确的成像来诊断和监测.
- 精确的细分和MRI上OAL的体积评估对于治疗规划和反应评估至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
研究的目的:
- 评估nnU-net深度学习框架的性能,用于OAL的自动细分和体积测量.
- 为了评估nnU-net在不同MRI序列中的准确性.
- 为了比较基于深度学习的测量与手动地面真相.
主要方法:
- 使用了来自147名OAL患者的多机构T1加权 (T1),T2加权 (T2) 和对比度增强 (T1c) 的MRI数据.
- 训练了两个nnU-net模型:模型1 (T1,T2,T1c) 和模型2 (T1,T2).
- 分段使用子相似系数 (DSC),灵敏度和正预测值 (PPV) 进行了评估;用布兰德-阿尔特曼图表和一致性相关系数 (CCC) 评估了体积准确性.
主要成果:
- nnU-net在T2加权脂肪和 (T2_FS) 图像上实现了高细分性能,DSC为0.80-0.82.
- 体积测量显示了小差异 (0.22-1.24厘米3),与高一致性 (CCC 0.96-0.93) 的T2_FS.
- 模型2在T1c检测方面遇到了困难,强调了对比度增强序列对于全面评估的重要性.
结论:
- nnU-net展示了MRI上OAL的卓越的自动化细分和体积评估能力.
- T2_FS MRI 序列对于在 OAL 中的 nnU-net 性能特别有效.
- 这种人工智能方法具有显著的潜力,可以通过高效和准确的成像分析来改善OAL管理.
