来自CBTN的自动儿科脑瘤成像评估工具:增强超细胞区域的包容性,并通过深度学习管理有限的数据

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 儿科神经外科 儿科神经外科

背景情况:

• 准确的骨剥离和瘤细分对于监测儿科脑瘤至关重要.
• 现有的方法往往难以通用,特别是在罕见的细胞/细胞上瘤和有限数据的临床环境中.
• 需要强大的,自动化的AI驱动解决方案.

研究的目的:

• 开发和评估人工智能驱动的深度学习模型,用于儿童脑瘤中完全自动的骨剥离和瘤细分.
• 评估这些模型在各种PBT组织学和MRI获取参数中的通用性和性能.
• 为应对罕见瘤位置和有限数据场景带来的挑战.

主要方法:

• 训练了独立的nnU-Net深度学习模型,用于骨剥离,整个瘤 (WT) 和增强瘤 (ET) 分段,使用来自527名儿科患者的多机构,多参数MRI数据.
• 使用单个 (T2/FLAIR) 或多个 (T1-Gd和T2/FLAIR) 图像序列作为输入.
• 使用Dice得分,灵敏度和95%的豪斯多夫距离评估模型性能,并进行统计比较,包括t测试和皮尔森相关性.

主要成果:

• 对整个大脑和细胞/细胞上区域的头骨剥离模型实现了高性能 (迪斯分数0.98 ± 0.01),单参数和多参数输入之间有很强的相关性.
• 整个瘤 (WT) 分段产生了0.84 ± 0.17 (T2) 和0.82 ± 0.19 (FLAIR) 的Dice分数.
• 增强瘤 (ET) 分段实现了0.65 ± 0.35 (T1-Gd+FLAIR) 和0.64 ± 0.36 (T1-Gd+T2) 的子得分.

结论:

• 人工智能驱动的头骨剥离模型表现出色,包括关键的细胞/细胞上区域,使用单个或多参数MRI输入.
• 自动化瘤细分模型可靠地划分整个病变和增强瘤区域,适应缺失序列的MRI会议.
• 这些人工智能技术为在各种临床环境中,包括有限数据场景中的准确和可概括的PBT监测提供了有希望的解决方案.