在患有囊性纤维化儿童的胸部MRI上进行自动肺部细分
Friedemann G Ringwald1,2, Lena Wucherpfennig2,3,4, Niclas Hagen1,2
1Institute of Medical Informatics, Heidelberg University, Heidelberg, Germany.
Frontiers in medicine
|November 28, 2024
概括
这项研究表明,使用MRI扫描的儿童囊性纤维化 (CF) 患者的深度学习有效地细分肺部. nnU-Net模型实现了高精度,有助于CF疾病监测和临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 精确的肺部细分对于分析诸如囊性纤维化 (CF) 等肺部疾病至关重要.
- 深度学习方法显示出希望,但面临着各种成像和病理的挑战.
研究的目的:
- 评估nnU-Net框架对使用胸部MRI的儿科CF患者的自动肺部细分的有效性.
- 评估不同MRI序列和患者人口统计数据的细分性能.
主要方法:
- 使用nnU-Net框架对来自84名儿科CF患者的165个MRI扫描进行了细分.
- 训练和评估是在BLADE,VIBE和HASTEMRI序列上进行的.
- 使用Sørensen-Dice-Score,Pearson的相关性和手动评估来衡量性能.
主要成果:
- 在所有序列中都实现了高细分性能 (迪斯系数0.95-0.96).
- 在不同的疾病严重程度和患者年龄之间,细分质量保持一致.
- 对幼儿进行的外部验证表明,Dice系数为0.85.5,具有可概括性.
结论:
- nnU-Net有效用于儿童CF患者的自动肺部细分,支持临床决策.
- 对于特定的细分挑战和增强的概括性,需要进一步改进.


