使用视觉变压器在多序MRI上构建一个骨盆器官倒退诊断模型

科学领域:

• 盆地图像分析分析 盆地图像分析
• 医学诊断中的深度学习.
• 女性的盆腔医学.

背景情况:

• 盆腔器官如子宫,膀和直肠共享相互连接的带膜,导致潜在的共同风险因素和的关联.
• 器官脱落可能会影响邻近的骨盆器官,需要对疾病严重程度进行准确的评估.
• 目前手动测量失落严重程度是主观的,可能导致诊断不准确.

研究的目的:

• 开发基于深度学习的多标签分级模型,用于分类骨盆器官脱落 (POP).
• 使用压力磁共振成像 (MRI) 来评估三个骨盆器官的脱落.
• 为开发的分级模型提供可解释的结果.

主要方法:

• 利用662名在休息和瓦萨尔瓦操纵过程中的受试者的斜腰MRI序列.
• 开发了一种基于视觉变压器的功能提取模块,用于骨盆地MRI.
• 雇佣了标签掩盖和预培训策略,以实现模型的融合,使用精度,卡帕,回忆和AUC进行评估.

主要成果:

• 该模型实现了高性能指标:平均精度为0.86,卡帕为0.77,回忆为0.76,AUC为0.86.
• 在POP分级检测方面表现优于现有研究.
• 证明了每位患者的快速平均诊断时间为0.38秒.

结论:

• 拟议的深度学习模型在评分POP时表现出与医生相当或超过医生的准确性.
• 视觉变压器架构和标签掩盖策略在静态和Valsalva条件下对POP分级有效.
• 这种人工智能模型为计算机辅助诊断和骨盆器官脱落的治疗计划提供了一个有前途的工具.