深度学习U-net架构一般模型的培训和验证,用于从CT中自动细分内耳
Jonathan Lim1, Aurore Abily2, Douraïed Ben Salem2,3
1Department of Neuroradiology-Brest University Hospital, Boulevard Tanguy Prigent, 29200, Brest, France. jonathan.lim.radiopro@gmail.com.
European radiology experimental
|September 12, 2024
概括
这项研究验证了一种开源的深度学习模型,用于CT扫描中自动内耳细分,达到0.83.3的Dice相似系数. 这项技术在临床应用方面表现有前途.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 人体解剖学 解剖学 解剖学
背景情况:
- 内耳解剖学对诊断和手术提出了挑战.
- 深度学习 (DL),特别是CNN,显示了医学图像细分的潜力.
- 需要对内耳结构进行自动细分.
研究的目的:
- 训练和外部验证一个开源的U-netDL模型,用于从CT扫描中自动化内耳细分.
- 通过使用定量和定性措施来评估模型的性能.
- 为临床使用提供可访问的工具.
主要方法:
- 一个U-net CNN模型在271次CT扫描中接受了训练,并在70次外部扫描中得到了验证.
- 量化评估使用了子相似系数 (DSC).
- 质量评估使用了4级利克特分数,以手动细分为参考.
主要成果:
- 该模型实现了0.83.8的平均DSC.
- 42%的细分获得了1.0的利克特分数.
- 处理时间显著减少,尽管27%的受试者获得了不确定的利克特分数4.
结论:
- 该研究成功地外部验证了一种开源U-net模型,用于自动化从CT扫描中对内耳进行细分.
- 该模型的权重,数据集和基线是公开可访问的,这有利于临床整合.
- 需要进一步评估,以评估扫描协议对模型性能的影响.
