重新利用公共BraTS数据集进行术后脑瘤治疗响应监测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经瘤学神经瘤学

背景情况:

• 脑瘤细分 (BraTS) 数据集对于深度学习 (DL) 算法开发在脑瘤细分方面至关重要.
• 然而,BraTS数据仅包含手术前的MRI扫描,限制了其用于术后的设置.

研究的目的:

• 适应BraTS数据集用于训练术后脑瘤细分的DL算法.
• 引入一个自动转换方法,从一个三标签到一个两个标签的注释协议.

主要方法:

• 开发了 BraTS 标注 (3 标签到 2 标签) 的自动转换过程.
• 训练DL算法使用原始 (3标签) 和转换 (2标签) BraTS协议.
• 评估了手术前和手术后质母细胞瘤MRI模型的性能,与最先进的DL方法进行了比较.

主要成果:

• 双标签模型准确地细分了手术后的质母细胞瘤MRI,避免了在三标签模型中看到的切除腔的错误分类.
• 双标签模型的瘤细分性能与对1厘米3.3以上瘤的最先进方法相当.
• 在术后扫描中,3标记模型错误地分类了41个切除腔中的10个部分.

结论:

• 开发的双标签注释协议有效地使BraTS数据集能够用于在术后环境中训练DL算法.
• 这有助于开发更准确的术后脑瘤细分工具.
• 该研究解决了手术结果分析的BraTS数据集的关键局限性.