SPINEPS-自动整体脊柱细分T2加权MR图像使用双相方法多类语义和实例细分多类语义和实例细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 脊椎解剖学 脊椎解剖学

背景情况:

• 在MRI中精确细分脊柱结构对于诊断和监测各种疾病至关重要.
• 现有的自动化方法往往缺乏全面细分整个脊柱的能力,包括后部元素.
• 深度学习方法具有显著的潜力,可以提高脊柱MRI细分的准确性和效率.

研究的目的:

• 介绍SPINEPS,深度学习方法用于14个脊柱结构的语义和实例细分,在全身斜T2加权的轮旋转回声图像中.
• 开发一个公开可用的算法,用于全面的整个脊柱细分.
• 评估SPINEPS的性能与现有方法相比,并评估其临床相关性.

主要方法:

• SPINEPS采用了两阶段的深度学习方法:语义细分,然后使用滑动窗口技术进行实例细分.
• 该研究使用了各种数据集,包括公共数据集,德国国家队列 (NAKO) 子集和内部数据集,用于培训和验证.
• 分段性能通过使用Dice分数和平均对称表面距离 (ASSD) 来定量评估,统计学意义通过Wilcoxon签名等级测试来确定.

主要成果:

• 与公开数据集上的nnUNet基线相比,SPINEPS表现优越,在所有脊椎结构中获得更高的Dice分数和更低的ASSD值.
• 在从NAKO数据集中进行自动注释训练时,SPINEPS在NAKO和内部测试组合中获得了0.918的全球平均子得分.
• 纳入公共数据集训练数据进一步提高了性能,为脊椎子结构提供了0.803的平均Dice得分,为全球细分提供了0.931的平均Dice得分.

结论:

• 脊柱成功地分割了14个脊柱结构,在T2w斜图像中为脊椎和脊椎间盘提供了语义和实例面具.
• 这代表了第一个公开可用的算法,能够执行如此全面的整个脊柱细分.
• 开发的方法具有重要的临床意义,能够自动提取生物标志物,病理局部化,以及对退行性疾病和其他脊柱状况的定量分析.