扩展nnU-Net用于在大脑转移的检测和细分,在对比增强磁共振成像中使用大型多机构数据集

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经瘤学神经瘤学

背景情况:

• 脑转移 (BM) 在MRI检测和细分对于诊断和治疗计划至关重要.
• 现有的深度学习框架需要优化以提高性能,特别是对于较小的病变.

研究的目的:

• 调查扩展的自适应nnU-Net框架,以加强MRI上大脑转移 (BM) 的检测和细分.
• 评估框架在各种BM大小中的表现,并比较不同的适应性策略.

主要方法:

• 训练并测试了六个nnU-Net系统,在2092名患者的3D后Gd T1加权MRI上采用自适应数据采样或自适应Dice损失.
• 利用了回顾性临床数据和使用合成BM的增强训练集.
• 使用灵敏度和假阳性率 (FP) 评估检测;使用Dice相似系数和豪斯多夫距离进行细分.

主要成果:

• 具有自适应的Dice损失的nnU-Net在BM检测和细分方面表现出卓越的性能.
• 在FP率为0.65±1.17.0的情况下,所有BM大小的整体灵敏度为0.904.
• 对较大的病变表现出高灵敏度 (0.966对于BM≥0.1厘米3) 和对较小病变的灵敏度提高 (0.824对于BM<0.1厘米3).

结论:

• 扩展的自配置nnU-Net框架显著提高了小脑转移的检测灵敏度.
• 保持可控的错误阳性率,表明准确性和可靠性有所提高.
• 该模型显示在早期BM检测和立体射线外科手术规划中具有临床实用性的潜力.