多任务学习用于在3D膝盖MRI上自动检测阴茎损伤

科学领域:

• 医疗成像中的人工智能
• 深度学习用于诊断协助.
• 膝盖MRI分析和解释

背景情况:

• 膝盖磁共振成像 (MRI) 对于关节镜前诊断至关重要.
• 手动解读膝盖MRI是耗时且容易出现错误的.
• 精确的细分和分类阴茎损伤对于手术规划至关重要.

研究的目的:

• 开发和评估用于膝盖MRI分析的多任务学习网络 (MCSNet).
• 为了提高膝盖MRI分类和细分的准确性和效率.
• 评估AI在协助临床医生进行膝盖MRI解释方面的潜力.

主要方法:

• 一个回顾性研究259个膝盖MRI扫描与关节镜诊断.
• 开发MCSNet_att,一个多任务网络,结合了细分先验,多尺度融合和空间关注.
• 训练模型使用冠状和状MRI序列上的多任务损失,与后勤回归 (LR) 融合.
• 使用准确度,精度,回忆,F1得分,AUC,mAP,子相似系数和95%的豪斯多夫距离 (HD) 等指标进行评估.
• 使用梯度加权类激活映射 (Grad-CAM) 可视化解释性.

主要成果:

• 使用融合序列的LR模型,性能优于单序列模型.
• 在分类准确度方面,MCSNet_att超过了单任务CNet模型和两个临床医生.
• 与基线模型相比,MCSNet_att显示了侧面阴道的细分精度 (Dice,HD₉₅) 的显著改善.
• 人工智能辅助解释改善了临床医生的诊断性能.

结论:

• 多任务学习网络MCSNet提供了准确的临床病理学分类和膝盖MRI的细分.
• MCSNet显示了作为一个有价值的工具来帮助医生在临床膝盖MRI解释的潜力.
• 该模型提高诊断准确性和效率的能力可以导致改善患者管理和手术结果.