使用合成MRMR对不同MRI对比权重进行自动轮算法的灵敏度分析方法

科学领域:

• 医学成像分析分析 医学成像分析
• 放射治疗计划 放射治疗计划
• 医学中的人工智能.

背景情况:

• 基于MRI的自动轮算法通常以单个对比权重 (例如T2权重) 进行训练.
• 在对比权重中,这些算法在不同的重复时间 (TR) 和回声时间 (TE) 中的性能尚不清楚.
• 这种缺乏理解可能会导致在不同MRI协议的机构中使用算法时的性能低于最佳.

研究的目的:

• 开发和介绍一种方法来评估自动MRI轮算法对对比权重变化的稳定性.
• 评估MRI参数的变化如何影响自动腺体轮的准确性.

主要方法:

• 利用合成MR模拟216种不同的MRI TR和TE组合,在T1,T2和PD加权对比度中进行模拟.
• 使用在T2加权图像上训练的算法对状腺和下部腺进行了轮.
• 通过STAPLE共识建立了基础真相轮辐射瘤学居民和医生.
• 使用子相似系数 (DSC) 和第95百分点豪斯多夫距离 (HD95) 量化性能.

主要成果:

• 在不同的对比权重中观察到显著的性能变化,包括在T2权重范围内.
• 一些算法在T1加权图像上表现比预期的更好或更好.
• 与PD加权的范围表现最差.
• 在某些结构中,DSC和HD95的差异分别超过0.2mm和3.66mm.
• 在T2加权训练范围中,在很大一部分情况下,腺体的DSC值超过了观察者之间的变化.

结论:

• 基于MRI的自动轮算法表明,性能可变性取决于TR和TE组合.
• 建议的方法可用于评估算法对输入数据变化的敏感性.
• 这种方法有助于检测分销之外的业绩,并监测业绩随时间推移而变化.