基于深度学习的二维手术内超声波图像的质瘤细分:使用脑瘤手术内超声波数据库 (BraTioUS) 进行的多中心研究
Santiago Cepeda1, Olga Esteban-Sinovas1, Vikas Singh2
1Department of Neurosurgery, Río Hortega University Hospital, 47014 Valladolid, Spain.
Cancers
|January 25, 2025
概括
一个新的卷积神经网络 (CNN) 模型准确地在手术内超声波 (ioUS) 图像中对质瘤进行细分. 这种人工智能工具在多个中心展示了可行性,改善了神经外科手术中ioUS的解释性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经外科瘤学 神经外科瘤学
- 图像细分算法图像细分算法
背景情况:
- 术内超声波 (ioUS) 在神经外科手术中提供实时,便携和经济高效的成像.
- 在ioUS图像中精确细分质瘤对于增强的解释性至关重要,但面临着噪音和文物等挑战.
- 现有的方法与iOS固有的解剖变异性和图像质量问题作斗争.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型,用于在手术内超声波 (ioUS) 图像中实现自动化质瘤细分.
- 评估模型在多中心数据集上的性能,包括外部验证.
- 通过先进的AI驱动细分来解决ioUS图像解释方面的局限性.
主要方法:
- 从组织学证实质瘤的BraTioUS和ReMIND数据集进行回顾性数据收集.
- 使用nnU-Net框架对B模式IOUS图像进行CNN的训练,在最大的瘤切片上进行手动细分.
- 分层数据分为培训 (70%) 和测试 (30%) 的子集,在RESECT-SEG和帝国理工学院NHS信托队伍上进行外部验证.
主要成果:
- 该模型在持久测试组中获得了0.90的中位数子相似系数 (DSC).
- 外部验证表明,在RESECT-SEG数据库中,DSC为0.65,在帝国-NHS队列中为0.93.
- 性能指标 (ASSD,HD95) 显示了强大的细分精度,特别是在帝国-NHS队列上.
结论:
- 基于卷积神经网络的质瘤细分在手术内超声波是可行的跨多个机构.
- 开发的模型有望提高IOUS在神经外科手术中的解释性和实用性.
- 未来的研究应该专注于增强细分细节,并探索实时临床集成以获得更广泛的应用.
更多相关视频
09:29Live Imaging of Microtubule Dynamics in Glioblastoma Cells Invading the Zebrafish Brain
Published on: July 29, 2022
2.6K
09:52An Orthotopic Glioblastoma Mouse Model Maintaining Brain Parenchymal Physical Constraints and Suitable for Intravital Two-photon Microscopy
Published on: April 21, 2014
19.7K
