基于深度学习的术后质母细胞瘤细分和切除评估的程度:开发,外部验证和模型比较

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 评估质母细胞瘤切除程度至关重要,但具有挑战性,通常依赖于手术前扫描.
• 术后评估需要精确测量残留瘤体积,这是当前自动化方法中的一个缺口.
• 开发人工智能用于术后瘤细分对于准确的评估至关重要.

研究的目的:

• 开发一种深度学习模型,用于在术后MRI上对质母细胞瘤进行细分.
• 将开发模型的性能与现有的细分算法进行比较.
• 评估模型在分类切除程度 (EOR) 的准确性.

主要方法:

• 训练有素的深度学习模型使用来自多个机构和公共数据库的多参数MRI扫描.
• 利用MONAI和nnU-Net框架进行模型开发和培训.
• 将模型性能与外部和独立验证队列的现有算法进行比较,评估细分和EOR分类准确性.

主要成果:

• nnU-Net框架产生了最好的细分模型,在增强瘤 (ET) 方面获得了0.81的Dice中位数,在胀方面为0.77,在手术空洞方面为0.81.
• 最好的训练模型在对比数据集中的最大与次最大切除分类中达到96%的准确性,在独立验证队列中达到84%.
• 与其他算法相比,该模型在细分和EOR分类方面都表现出卓越的性能.

结论:

• 一个基于nnU-Net的新型深度学习模型有效地执行术后质母细胞瘤细分和EOR分类.
• 开发的模型显示了比现有方法更高的性能,为神经外科瘤学提供了有价值的工具.
• 这种免费可访问的工具在改善质母细胞瘤患者管理方面具有显著的临床应用潜力.