评估大脑瘤检测与深度学习卷积神经网络跨多个MRI模式
Ioannis Stathopoulos1,2, Luigi Serio2, Efstratios Karavasilis3
12nd Department of Radiology, Medical School, Attikon University Hospital, National and Kapodistrian University of Athens, 11527 Athens, Greece.
Journal of imaging
|December 27, 2024
概括
使用磁共振成像 (MRI) 的深度学习模型在检测脑瘤方面显示出高精度. 这种方法提高了中枢神经系统 (CNS) 瘤的诊断能力,改善了临床工作流程.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 中枢神经系统 (CNS) 瘤对健康构成重大风险.
- 磁共振成像 (MRI) 对于脑瘤的检测和诊断至关重要.
- 深度学习,特别是卷积神经网络 (CNN),为改善诊断准确性提供了潜力.
研究的目的:
- 为了评估MRI序列的诊断性能用于脑瘤检测使用CNNs.
- 评估转移学习技术在增强CNN架构用于脑瘤识别方面的有效性.
- 为临床查确定MRI序列和CNN模型的最佳组合.
主要方法:
- 在四个不同的CNN架构中利用了六个基本的MRI序列.
- 雇员转移学习技术以提高CNN的表现.
- 分析了来自62名患者的1646张MRI片的数据集,包括具有瘤和正常病例.
主要成果:
- 在检测瘤涉及的大脑切片方面达到98.6%的分类准确度.
- 在不同的CNN模型中评估了每个MRI序列的性能.
- 确定了特定的MRI序列和CNN组合,这些组合对查非常有效.
结论:
- 基于CNN的深度学习模型显示,使用MRI精确检测脑瘤的潜力很高.
- 这些发现提供了关于将AI与MRI整合为增强诊断工作流程的见解.
- 优化了MRI序列和CNN的组合,可以有效地支持放射科医生对脑瘤进行查.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
39.7K
