多发性硬化症的对比增强损伤细分:在多中心队列中验证的深度学习方法
Martina Greselin1,2,3, Po-Jui Lu1,2,3, Lester Melie-Garcia1,2,3
1Translational Imaging in Neurology (ThINk) Basel, Department of Biomedical Engineering, Faculty of Medicine, University Hospital Basel, University of Basel, 4123 Basel, Switzerland.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
这项研究开发了一种深度学习模型,用于使用MRI扫描自动检测多发性硬化症 (MS) 中的增强对比度的病变 (CEL). 人工智能模型对改善诊断准确性和减少临床实践中的变化非常有希望.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 增强对比度的病变 (CEL) 对于诊断和监测多发性硬化症 (MS) 是至关重要的.
- 手动检测CEL是耗时的,并且在临床医生之间容易发生显著的变化.
- 对CEL检测的自动化方法有限,但对于改善临床工作流程至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于在MS患者的大脑MRI扫描中自动检测和细分CEL.
- 在临床环境中评估基于UNet的3D模型的性能.
主要方法:
- 使用3D UNet深度学习架构进行CEL检测和细分.
- 该模型是使用来自280名多发性硬化症患者的372张MRI扫描 (T1加权前/后加多,FLAIR) 数据集进行训练的.
- 使用加权损失函数和损伤面具采样策略来解决数据集不平衡并提高准确性.
主要成果:
- 深度学习模型实现了0.76.7的子得分系数.
- 该模型表现出高准确度,真实阳性率为0.93和低假阳性率为0.02.
- 开发的模型显示了用于准确和一致的CEL检测的巨大潜力.
结论:
- 开发的深度学习模型在MS患者的MRI扫描中有效地检测和细分CEL.
- 这种自动化方法有可能增强临床决策和减少诊断变异性.
- 该模型可以作为一个有价值的工具,支持放射科医生和神经科医生在MS管理.
