从使用3D神经网络的hydrops磁共振成像中对内耳液体空间进行自动体积分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 耳鼻喉科 耳鼻喉科 耳鼻喉科

背景情况:

• 精确识别内淋巴水 (EH) 对于诊断内耳疾病,如Meniere病至关重要.
• 磁共振 (MR) 图像处理的进步使基于图像的EH识别成为可能.
• 目前用于EH体积比计算的方法可能是劳动密集型的,需要专家解释.

研究的目的:

• 开发和验证3D深度神经网络模型,用于内耳液体空间的自动细分.
• 使用开发的模型,准确计算内淋巴液液体 (EH) 体积比率.
• 通过自动化图像分析,提高EH诊断的效率和一致性.

主要方法:

• 使用MRC和HYDROPS-Mi2图像堆的数据集开发了一个3D深度神经网络模型.
• 终端到终端的学习被用于同时细分周淋巴和内淋巴流体空间.
• 该模型在MRC和HYDROPS-Mi2数据的对齐图像对上进行了训练.

主要成果:

• 深度学习模型实现了高细分性能,Dice的相似系数为0.9574的总流体空间和0.9186的内淋巴流体空间.
• 使用该模型计算的EH体积比率与经验丰富的耳鼻科医生确定的一致性很高.
• 类间相关系数 (ICC) 和布兰德-阿尔特曼分析证实了模型的准确性和可靠性.

结论:

• 拟议的3D深度神经网络模型能够准确和自动地对内耳液体空间进行细分,以计算EH体积比率.
• 这种自动化方法为诊断内耳疾病提供了可靠的工具,有可能改善患者的治疗结果.
• 该模型与专家耳科医生的高度一致性表明它在基于MR的EH评估中具有临床实用性.