从常规MRI中识别非创伤性手臂病:使用深度学习网络进行回顾性研究
Weiguo Cao1, Benjamin M Howe1, Sumana Ramanathan1
1Department of Radiology, Mayo Clinic, 200 First Street SW, Charlton 1, Rochester, MN 55905, USA.
European journal of radiology
|October 9, 2024
概括
这项研究优化了深度学习模型,用于使用MRI进行手臂病 (BP) 诊断. 与三重MRI序列的特征合并实现了92.2%的AUC,显示了准确的BP异常检测的希望.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 使用标准的核磁共振成像 (MRI) 来诊断臂膜病 (BP) 可能具有挑战性.
- 深度学习 (DL) 提供了改善医学成像诊断准确性的潜力.
研究的目的:
- 优化一个深度学习模型,以区分非创伤性手臂病与常规MRI扫描.
- 在多个MRI序列中评估各种DL方案的性能.
主要方法:
- 来自梅奥诊所 (2002-2022年) 的256个手臂MRI系列 (196名患者) 的回顾性分析.
- 使用六个DL网络作为骨干设计了六个DL方案,通过嵌套的五倍交叉验证进行训练和验证.
- 使用了三种MRI序列 (三角形T1,液体敏感,后),由放射学小组选择了感兴趣的区域 (ROI).
主要成果:
- 性能最好的模型,利用特征合并与三重MRI联合策略,实现了92.2%的AUC和89.5%的准确性.
- 这超过了其他模型,包括多通道合并 (AUC 89.6%) 和单一通道体积 (AUC 89.2%).
- 与VGG16骨干的功能合并模式获得了最高的方法得分 (1.75/2.37).
结论:
- 深度学习模型显示了使用组合MRI序列诊断手臂病的显著潜力.
- 与单个序列分析相比,特征合并和多序列分析为基于DL的BP异常检测提供了优越的方法.
