基于深度学习的盆腔测量在盆腔MRI体积中,用于在手术前评估全腹腔切除术的难度

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 外科评估的评估.

背景情况:

• 骨盆骨的尺寸可以预测全腹腔切除术 (TME) 的难度和结果.
• 手动骨盆测量是劳动密集型的,限制了其在手术前评估中的使用.
• 建议使用MRI进行盆腔测量的自动化工作流程.

研究的目的:

• 开发和验证用于自动化骨盆测量的深度学习框架.
• 从手术前的MRI体积准确地测量关键的骨盆尺寸.
• 为了能够对TME进行客观的手术前困难评估.

主要方法:

• 实现了3D U-Net深度学习模型,用于自动化地标本地化,用于斜T2权重的MRI.
• 确定了五个关键的骨盆地标:前,S3脊椎,尾骨和阴茎.
• 使用已识别的地标量化了盆腔入口,出口,深度和十字角.

主要成果:

• 自动化框架实现了5.6毫米的平均地标定位误差.
• 自动测量显示强烈的相关性 (斯皮尔曼的rho 0.7-0.87) 与手动注释.
• 准确度与手动测量的观察者之间的差异相当.

结论:

• 这是第一个使用深度学习在MRI中自动化骨盆测量的研究.
• 拟议的框架准确地测量了骨盆尺寸,有助于评估TME的难度.
• 自动骨盆测量提高了手术前的规划和患者的结果.