SHIVA-CMB:基于深度学习的强大的脑微血流细分工具,以多源T2*GRE和敏感度加权的MRI进行训练

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 大脑微出血 (CMB) 是大脑小血管疾病 (cSVD) 的关键指标,与认知衰退,痴呆和中风有关.
• 使用深度学习 (DL) 来自动检测CMB正在推进,但缺乏共享的预训练模型限制了它们的实际使用和验证.

研究的目的:

• 介绍SHIVA-CMB探测器,这是一个基于3D Unet的工具,用于自动检测CMB.
• 解决在研究环境中用于CMB分析的可访问和验证的DL模型的需求.

主要方法:

• 开发了一个基于3D Unet的深度学习工具 (SHIVA-CMB).
• 在6个不同的队列研究 (T2*和敏感度加权成像) 的450个MRI扫描上训练模型.
• 在持有测试集和独立的多中心队列上评估性能,与专家评级进行比较.

主要成果:

• 在具有低虚假阳性结果的持久测试组中,在持久测试组中获得了高灵敏度 (0.67),精度 (0.82) 和F1得分 (0.74).
• 在未见的数据上表现出强的性能和强烈的相关性 (R=0.89) 与专家视觉CMB计数在一个大队列中.
• 向研究界公开发布了SHIVA-CMB管道和预训练模型.

结论:

• SHIVA-CMB探测器是用于自动化CMB检测的通用和准确工具.
• 工具和模型的公开分享促进了对cSVD病理生理学和后果的更广泛研究.
• 在大规模研究中能够快速表征CMB,加速神经成像研究.