治疗前和后扩散性质瘤组织子区域的细分,包括切除腔

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 纵向质瘤的评估是耗时的,容易产生间隔质瘤的变化.
• 自动化细分可以提高工作流程的效率,减少治疗反应评估的变化.
• 这项研究研究了用于细分扩散性质瘤的神经网络.

研究的目的:

• 评估神经网络细分与治疗前和治疗后扩散性质瘤的专家评估的可比性.
• 评估神经网络在细分瘤子区域和切除腔的准确性.
• 确定自动化细分在改善临床试验响应评估方面的潜力.

主要方法:

• 使用了来自公开存储库的647个MRI的回顾性队列.
• 在T1,T1-后对比,T2和FLAIR图像上训练了一个3D nnU-Net模型.
• 网络接受了治疗前,治疗后和综合数据集的训练,以预测瘤子区域和切除腔.

主要成果:

• 细分性能达到或超过了interrater可靠性,Dice的中位数得分从0.82到0.94.
• 在手动和预测的总损伤体积之间观察到强烈的相关性 (0.94 < R2 < 0.98).
• 综合网络的性能与专业网络相提并论,并减少了假阳性切除腔 (7%与59%相比).

结论:

• 扩散性质瘤的神经网络的准确细分可以提高临床试验中的反应评估.
• 自动化细分有潜力降低供应商负担和测量错误.
• 这项技术为更高效,更可靠的质瘤监测提供了一个有希望的途径.