应用深度学习模型来测量自体主导多性脏疾病中的脏总体积
Jia-Lien Hsu1, Anandakumar Singaravelan2, Chih-Yun Lai3
1Department of Computer Science and Information Engineering, Fu Jen Catholic University, New Taipei City 24205, Taiwan.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
一个新的AI模型准确地测量了自体主导多囊性病 (ADPKD) 的总体积 (TKV),为手工方法提供了更快的替代方案. 人工智能模型使用轴截面MRI图像与冠状截面图像相比,显示出更高的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 自体主导多囊性病 (ADPKD) 是继承性末期病的主要原因.
- 脏总体积 (TKV) 是评估ADPKD严重程度和预后的一个关键指标.
- 手动测量TKV是耗时的,劳动密集型,容易出现错误.
研究的目的:
- 开发和评估用于使用MRI数据自动测量TKV的深度学习模型.
- 将深度学习模型的性能与医疗专业人员手动测量的性能进行比较.
- 评估图像方向 (轴向与冠状) 对TKV测量精度的影响.
主要方法:
- 在30名ADPKD患者和10名健康对照者的MRI数据上训练了一种U-net深度学习模型.
- 用了轴心和冠状MRI图像部分来计算TKV.
- 提取了DICOM图像,进行了增强和标签,并使用后处理来估计TKV.
主要成果:
- 深度学习模型实现了与医疗专业人员可比的TKV测量.
- 与冠状切口模型 (21.6%) 相比,轴切口模型显示测量变化明显较低 (3.95%).
- 轴截面模型实现了更高的准确性,由子相似系数 (0.89) 和雅卡尔系数 (0.86) 表示.
结论:
- 深度学习模型可以准确地测量ADPKD患者的TKV.
- 轴截面MRI图像通过开发的AI模型产生更可靠的TKV测量.
- 这种人工智能方法为ADPKD中TKV评估提供了更有效和潜在的更准确的方法.
