训练可靠的T1权重磁共振成像肝脏细分模型,使用具有不同对比性协议和肝脏疾病病因的数据集集
Nihil Patel1,2, Adrian Celaya1,3,2, Mohamed Eltaher1,2
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, Texas, USA.
Scientific reports
|September 9, 2024
概括
像nnUNet和PocketNet这样的深度学习模型可以在T1加权的MR图像上准确地对肝脏进行细分. 这些自动化方法通过从各种数据源提供可靠的大规模细分来改善肝癌治疗规划.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学研究的研究.
背景情况:
- 手动肝脏细分用于癌症治疗规划是耗时且规模不切实际的.
- 深度学习为医疗成像中的自动肝脏细分提供了解决方案.
- 需要通用模型才能在不同机构和成像数据中表现良好.
研究的目的:
- 开发和评估一种可通用的深度学习模型,用于T1加权MR图像上的肝脏细分.
- 在此任务中比较不同深度学习架构 (nnUNet,PocketNet,Swin UNETR) 的性能.
- 在机构内和机构间环境中评估模型性能.
主要方法:
- 使用了来自六个不同地理位置的机构的819张T1加权MR图像的数据集.
- 训练并测试了三个深度学习架构:nnUNet,PocketNet和Swin UNETR.
- 通过使用Dice-Sorensen相似系数进行内部和机构间比较,评估细分性能.
主要成果:
- nnUNet和PocketNet模型实现了大于0.9.9的平均Dice-Sorensen相似系数.
- 在机构内和机构间的测试数据集中观察到高性能.
- 这些模型在各种数据中展示了强大的细分能力.
结论:
- nnUNet和PocketNet是用于自动化肝脏细分的有效深度学习架构.
- 对大型,多样化的T1加权MR图像数据集的培训导致了良好的机构内部细分性能.
- 这些发现支持在临床实践中使用nnUNet和PocketNet进行可靠的肝脏细分.
