通过SPACE MRI上的交叉技术注释来增强用于大脑转移检测的深度学习方法

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 使用不同的翻转角度进化 (SPACE) 序列,与磁化准备的快速获取梯度回声 (MPRAGE) 序列相比,提供了对大脑转移 (BM) 的优越可视化.
• 在 SPACE 图像上增强 BM 的显著性可能会导致更高质量的注释 (HAQ),这可能会提高 MPRAGE 图像上 BM 检测的深度学习 (DL) 算法的性能.

研究的目的:

• 调查来自 SPACE MRI 序列的高质量注释 (HAQ) 是否可以提高深度学习 (DL) 算法的性能,用于在标准 MPRAGE 图像上检测大脑转移 (BM).
• 评估跨技术转移学习的影响,使用来自 SPACE 图像的 HAQ,对 DL 模型的检测和划分精度.

主要方法:

• 进行了对157名骨瘤患者的对比增强型MRI数据的回顾性分析,包括SPACE和MPRAGE序列.
• 采用了两种注释策略:MPRAGE上的正常注释质量 (NAQ) 和共同注册的SPACE图像上的高质量注释 (HAQ).
• 多个DL模型使用NAQ或HAQ进行训练,使用MPRAGE或SPACE序列的图像,并在内部和外部测试数据集 (660名患者) 上进行评估,以检测和划分性能.

主要成果:

• 与HAQ训练的DL模型与NAQ训练的DL模型相比,表现优越.
• SPACE-HAQ模型实现了0.978的正预测值 (PPV),0.882的灵敏度和0.916的F1得分.
• 与MPRAGE-NAQ相比,MPRAGE-HAQ模型在额外的测试数据集上显示了F1得分 (2.59.6分,p < 0.016) 和灵敏度 (4.68.5分,p < 0.001) 的显著改善,体积实例灵敏度也得到了改善 (3.67.6分,p < 0.001).

结论:

• 高质量的注释 (HAQ),即使是从与目标应用程序 (MPRAGE) 不同的序列 (SPACE) 衍生出来的,也显著提高了深度学习模型用于大脑转移检测的性能.
• 这种跨技术转移学习方法可以提高DL模型的准确性,而不需要在应用时进行专门的成像序列,提供了一种改善诊断性能的实用方法.
• 仅 HAQ 占了 SPACE 图像作为输入所取得的性能增长的约 40%,使小 BM (<1 cm) 的准确和自动检测成为可能.