自动垂体腺瘤细分和洞穴性鼻入侵的识别通过多任务学习
1Department of Radiology, Huashan Hospital, Fudan University, Mid Wulumuqi Road, Shanghai, 200040, China.
Clinical radiology
|December 17, 2024
概括
一个新的深度学习模型,MTMAU-Net,准确地细分 pituitary macroadenomas (PMA) 并识别洞穴鼻腔 (CS) 侵袭. 这个人工智能工具超越了传统方法,帮助外科医生规划有效的治疗策略.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 垂体腺瘤 (PMA) 可以侵入洞穴鼻腔 (CS),使手术治疗复杂化.
- 准确的细分和入侵评估对于手术规划至关重要.
研究的目的:
- 为自动化PMA细分开发一个多任务深度学习模型.
- 通过深度学习来识别洞穴性鼻入侵.
- 评估模型的性能与现有方法相比.
主要方法:
- 一个多任务的多轴注意力UNet (MTMAU-Net) 已被开发用于组合细分和分类任务.
- 该模型在816个病例中接受了培训,并在110个病例中得到了验证.
- 使用Dice相似系数,95%的豪斯多夫距离 (HD95),准确度和AUC来评估性能.
主要成果:
- 与单任务模型相比,MTMAU-Net实现了更好的细分 (Dice: 90.84±0.55%) 和分类 (准确率: 88.05%,AUC: 0.89).
- 该模型的表现与Knosp分级系统一致,但在Knosp等级3中表现优于人类分级.
- 在验证队列中观察到出色的概括 (细分子:83.71±5.93%,分类准确率:84.55%).
结论:
- MTMAU-Net模型有效地执行PMA细分和CS入侵分类.
- 这种深度学习方法比CS入侵识别的Knosp分级系统提供了优势.
- 该模型有可能指导临床医生制定最佳的手术策略.
