在纵向MRI中进行脑转移的自动检测和多组分细分

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
• 放射治疗的规划和评估.

背景情况:

• 在MRI中手动对大脑转移 (BM) 的细分是劳动密集的,容易出现错误,影响放射治疗的规划和随访.
• 自动化方法对于提高病变检测和细分的效率和准确性至关重要.

研究的目的:

• 在纵向MRI扫描中开发和评估用于检测和细分脑转移的自动化方法.
• 通过使用先前时间点的信息重新划分病变来提高细分性能.
• 进行多组分细分,区分增强组织,和亡.

主要方法:

• 利用了来自49名骨髓瘤患者的184个对比度增强的T1加权MRI的回顾性数据集.
• 开发了一种重新细分技术,从之前的扫描中传播病变口罩作为额外的输入.
• 采用单尾t测试来比较细分和检测指标,显著性设置为p < 0.05.

主要成果:

• 在新病变细分方面获得0.79的子相似系数 (DSC) 和0.80的F1得分.
• 在后续扫描中,重新细分模型的表现明显优于标准细分模型 (DSC 0.78 与 0.56,F1 评分 0.88 与 0.60).
• 再细分改善了增强病变 (DSC 0.76 与 0.53) 和胀 (0.52 与 0.47) 的性能,而缩细分保持了可比性 (0.62 与 0.63).

结论:

• 在随访MRI扫描中,新的脑转移的自动细分和随后的重新细分是可行的和有效的.
• 重分割方法显著提高了准确性,特别是在纵向跟踪和放射治疗规划方面.
• 这种方法克服了细分小病变的挑战,无论病变大小如何,都显示出一致的性能.