评估CNN架构用于MRI中自动检测和分级的模式变化:一项比较研究

科学领域:

• 医疗成像中的人工智能
• 脊柱成像和诊断工作
• 对于放射学,深度学习是非常有用的.

背景情况:

• 模态变化 (MCs) 的分类是MRI上脊髓变化的标准,但是半定量的,对成像变化敏感.
• 2021年提出了一种定量MC分级方法,但仍缺乏自动分级工具.
• 对可靠的,自动化的MC分级系统的需求对于一致的临床解释至关重要.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 以根据最大垂直范围自动检测和分级Modic变化 (MCs).
• 评估CNN模型的概括性能.
• 将CNN的表现与初级医生的表现进行比较,并评估AI协助对诊断一致性的影响.

主要方法:

• 139名患者的MRI与MC的回顾性分析,由脊椎外科医生注释.
• 使用PyTorch开发YOLOv8和YOLOv5模型,包括数据增强和转移学习.
• 使用精度,回忆,F1得分和mAP50进行绩效评估,并对单独的数据集进行比较和人工智能辅助的初级医生评分.

主要成果:

• 与YOLOv5.5相比,YOLOv8在测试组件上取得了更高的性能 (精度为81.60%,回忆率为80.90%,mAP50为84.40%).
• 在数据集2中,YOLOv8的表现优于初级医生 (精度为95.1%与72.5%,回忆率为68.3%与60.6%).
• 人工智能协助显著改善了初级医生与高级脊椎外科医生的协议 (科恩的卡帕从0.368到0.681).

结论:

• YOLOv8模型在检测和分级Modic变化方面显著优于YOLOv5.
• YOLOv8的性能超过了初级医生的性能,表明它作为一种强大的诊断工具的潜力.
• 使用YOLOv8的AI辅助增强了初级医生的能力,并提高了脊柱诊断的整体可靠性.