相关实验视频
Updated: May 12, 2026
09:30
Quantitative Magnetic Resonance Imaging of Skeletal Muscle Disease
Published on: December 18, 2016
19.5K
手动与基于人工智能的肌肉MRI细分的比较,用于评估CMT1A患者的疾病进展
Etienne Fortanier1, Marc Adrien Hostin1, Constance P Michel1
1From the Reference Center for Neuromuscular Diseases and ALS (E.F., E.D., S.A.), La Timone University Hospital, Marseille; UMR CNRS 7339 (E.F., C.P.M., M.G., D.B.), Center for Magnetic Resonance in Biology and Medicine, Marseille; CNRS, LIS (M.A.H., M.-E.B.), UMR 7286, Medicine Faculty (E.D.), and Inserm, GMGF (S.A.), Aix-Marseille University, France.
Neurology
|October 24, 2024
概括
一个人工智能 (AI) 工具准确地为Charcot-Marie-Tooth型1A (CMT1A) 患者的MRI扫描分段肌肉,显著减少分析时间. 这种人工智能驱动的定量MRI (qMRI) 方法已经准备好用于评估疾病进展的临床试验.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 通过定量MRI (qMRI) 测量肌肉内脂肪分数 (FF) 是Charcot-Marie-Tooth类型1A (CMT1A) 研究的一个关键结果.
- 肌肉的手动细分用于qMRI是耗时的,限制了其在临床试验中的使用.
研究的目的:
- 评估基于人工智能的全自动细分管道的准确性和响应性,以评估CMT1A患者一年以上的疾病进展.
- 将人工智能驱动的细分与传统的手动方法进行比较.
主要方法:
- 20名CMT1A患者每年接受下肢QMRI扫描.
- 卷积神经网络被用于完全自动的肌肉细分,有或没有人类质量控制 (QC).
- 人工智能细分的准确性使用子相似系数 (DSC) 进行评估,并与手动细分 (FM) 进行比较.
主要成果:
- 人工智能细分实现了极好的准确性 (DSC>0.90).
- 在大腿和腿部观察到全球FF进展,与手动细分相比.
- 人工智能与人体QC在3D腿部体积中的细分产生了最佳响应 (SRM=0.70) 并将分析时间从90小时缩短到10小时.
结论:
- 基于人工智能的qMRI细分是评估CMT1A纵向FF变化的可行和有效工具.
- 对于纵向研究,FF量化应侧重于3D腿部体积,因为大腿进展速度较慢和个体变异性.
- 建议在人工智能细分后进行人类QC,以最大限度地提高响应能力.
