大脑瘤的定量DCE-MRI中大血管细分:一个Swin UNETR方法

科学领域:

• 神经成像是一种神经成像.
• 医疗人工智能 医疗人工智能
• 在瘤学瘤学.

背景情况:

• 大脑瘤的进展与血管生成和瘤等级相关.
• 量化动态对比增强磁共振成像 (DCE-MRI) 显示了对脑瘤评估的前景.
• 对大血管的准确细分对于瘤分类中的定量DCE-MRI分析至关重要.

研究的目的:

• 开发和评估一种新的深度学习技术,用于在脑瘤中自动细分大血管.
• 在此任务中,比较Swin UNETR与U-Net和Attention U-Net架构的性能.
• 评估大血管细分对DCE-MRI定量参数对瘤分类和治疗计划的影响.

主要方法:

• 利用了来自多个中心,供应商和现场强度的187名脑瘤患者的MRI数据.
• 实施并比较Swin UNETR,U-Net和Attention U-Net用于大血管细分.
• 对包括淋巴瘤和转移在内的多种脑瘤类型的模型概括性进行评估.

主要成果:

• 斯温UNETR显著优于U-Net和注意力U-Net,获得了高的子得分 (0.979培训,0.973验证,0.835-0.982测试).
• 定量参数显示,有大血管和没有大血管的区域之间存在显著差异 (p < 0.05).
• 在细分后,非血管瘤区域的定量参数在统计上变得相似 (p > 0.05),无论细分方法如何.

结论:

• 拟议的深度学习方法,特别是Swin UNETR,提供大脑瘤中大血管的准确和自动细分.
• 这种方法有可能提高自动脑瘤分类的准确性,并有助于治疗规划.
• 这些发现表明,精确的血管结构细分对于使用DCE-MRI对脑瘤的可靠定量分析至关重要.