卷积神经网络模型在磁共振成像中脑膜瘤细分中的表现:系统性审查和元分析
Ting-Wei Wang1,2,3, Jia-Sheng Hong1, Wei-Kai Lee1
1Institute of Biophotonics, National Yang Ming Chiao Tung University, 155, Sec. 2, Li-Nong St. Beitou Dist, Taipei, 112304, Taiwan.
Neuroinformatics
|January 8, 2025
概括
卷积神经网络 (CNN) 从MRI扫描中有效地分割脑膜瘤脑瘤. 使用多样化的数据集和多个MRI序列可以提高模型性能,从而改善诊断和治疗计划.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 脑膜瘤是最常见的原发性脑瘤,对诊断和治疗规划提出了挑战.
- 卷积神经网络 (CNN) 显示了提高脑膜瘤细分精度和MRI效率的潜力.
- 本系统性审查和元分析评估了CNN模型对基于MRI的脑膜瘤细分的有效性.
研究的目的:
- 系统地审查和分析CNN模型在使用MRI进行脑膜瘤细分的有效性.
- 评估影响CNN模型性能的因素,包括MRI序列,架构和数据集大小.
主要方法:
- 在PubMed,Embase和Web of Science进行了系统的文献搜索,直到2023年12月20日,遵守PRISMA指南.
- 使用CLAIM和QUADAS-2工具进行了方法质量评估.
- 使用了元分析,子组分析和元回归,细分精度用Sørensen-Dice系数来衡量.
主要成果:
- 分析了9项涉及4828名患者的研究,得出Dice的综合得分为89% (95%CI:87-90%).
- 内部 (88%) 和外部 (89%) 验证研究都显示出高细分精度.
- 在多个MRI序列上训练的模型比单个序列上训练的模型表现更好;训练数据集大小没有显著影响准确性.
结论:
- 在MRI中,CNN模型在脑膜瘤细分方面表现出很高的有效性,特别是在各种数据集和多个MRI序列的情况下.
- 数据质量和成像序列的选择对于开发强大的CNN模型至关重要.
- 标准化MRI数据采集和预处理可以提高CNN的性能,并促进临床采用用于脑膜瘤管理.
