肺¹²⁹XeMRI:CNN注册和细分以产生通风缺陷百分比与多中心验证

科学领域:

• 医疗成像医学成像
• 肺部医学 肺部医学
• 人工智能的人工智能

背景情况:

• 超极化129XeMRI量化通风缺陷百分比 (VDP),这是气道炎症和疾病控制的关键指标.
• 目前的半自动化VDP量化方法耗时,缺乏对多中心研究的外部验证.
• 对VDP的卷积神经网络 (CNN) 方法缺乏外部验证,限制了它们的临床采用.

研究的目的:

• 开发一个自动化和外部验证的深度学习管道,用于量化肺129XeMRI VDP.
• 与半自动化方法相比,评估自动化管道的准确性和一致性.

主要方法:

• 一个CNN细分和注册管道被训练并使用1H和129Xe MRI数据从一个主要站点 (站点1) 进行测试.
• 外部验证使用来自两个独立网站 (Site2和Site3) 的数据进行.
• 注册和细分错误分别使用平均绝对错误 (MAE) 和通用迪斯相似系数 (gDSC) 来量化. 使用线性回归和布兰德-阿尔特曼分析评估了VDP协议.

主要成果:

• 美国有线电视新闻网的管道显示,与所有站点的半自动VDP量化有很强的一致性 (R2 > 0.85,p < 0.001).
• CNN和半自动注册显示出最小的误差 (MAE <1.1%) 和高的相关性 (R2 > 0.79).
• 胸腔和通风体积的细分实现了高空间对应 (gDSC = 0.92和0.88).

结论:

• 与半自动化方法相比,对129Xe MRI VDP量化进行外部验证的CNN模型显示出强烈的一致性和低误差.
• 自动化管道促进了准确和高效的VDP测量,支持多中心临床应用.
• 这种深度学习方法增强了129XeMRI在评估肺透气和疾病管理方面的实用性.