使用深度学习优化MRI上的急性中风细分:自配置神经网络仅使用DWI序列提供高性能

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 准确的心脏病细分对于管理缺血性中风和预测结果至关重要.
• 将扩散加权成像 (DWI),ADC和FLAIRMRI序列结合起来,用于基于深度学习的心脏病细分的作用仍然不清楚.
• 通过自配置技术实现自动化模型优化,有望提高性能和通用性.

研究的目的:

• 通过深度学习评估DWI,ADC和FLAIRMRI序列对缺血性中风细分的实用性.
• 将自配置nnU-Net模型与传统U-Net模型的性能进行比较.
• 在外部临床数据集上评估表现最好的模型的概括性.

主要方法:

• 在200次心脏病发作中使用MONAI训练了3D自配置nnU-Net和标准3DU-Net模型.
• 使用DWI,ADC和FLAIR序列,单独或组合使用.
• 通过对对 t 试验对50个病例的保留组进行细分结果的比较,并对50个MRI进行外部验证.

主要成果:

• 使用DWI序列的nnU-Net实现了0.810 ± 0.155.5的子得分.
• 用ADC和FLAIR序列补充DWI并没有产生统计学上显著的改善 (Dice得分0.813±0.150,p=0.15).
• 在所有序列组合中,nnU-Net模型的性能明显优于标准U-Net模型 (p < 0.001).
• 在50个MRI的外部验证中,阳性病例的Dice分数为0.704±0.199,在内出血病例中有一些虚假阳性.

结论:

• 高度优化的神经网络,如nnU-Net,只使用DWI图像提供了出色的中风细分性能.
• 在使用nnU-Net.net时,添加ADC和FLAIR序列并没有显著的性能提升.
• 与标准U-Net架构相比,nnU-Net的卓越性能和通用性为在临床MRI环境中优化急性中风细分提供了坚实的基础.