一个开放的注释数据集和基线机器学习模型,用于对CT转移性骨病变的脊椎进行细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 转移性脊柱疾病的诊断和管理可以通过计算机断层扫描 (CT) 扫描的自动化分析来改进.
• 目前用于脊髓转移的诊断方法缺乏用于详细分析的自动化工具.
• 开发用于脊椎细分和分类的AI框架对于推进患者护理至关重要.

研究的目的:

• 介绍第一个公开可用的注释成像数据集,用于癌症CT脊柱.
• 为了促进人工智能 (AI) 框架的发展,用于自动的脊椎细分和分类.
• 帮助预测机械对负荷的反应以及骨折和脊柱形的风险.

主要方法:

• 从两个机构收集了55个CT扫描数据集,来自患有各种原发性癌症的患者.
• 数据包括原始图像,手动细分,轮,脊椎水平标记,病变类型分类和患者人口统计.
• 使用nnU-Net框架开发了一个自动化细分模型,并公开提供.

主要成果:

• 该研究提供了一个全面的注释数据集,用于癌症脊柱CT扫描.
• 使用nnU-Net的自动细分模型是公开可访问的.
• 该数据集使得进一步的研究能够对人工智能驱动的脊柱病理分析进行进一步的研究.

结论:

• 发布的数据集和模型将加速用于转移性脊柱疾病的AI工具的开发和验证.
• 预计这项资源将提高诊断准确性和患者管理.
• 未来的应用包括预测骨折风险和脊柱形.