基于深度学习的脊髓神经瘤和脑膜瘤的MRI分类和歧视
Yidan Liu1, Zhenhua Zhou2, Yuanjun Wang1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Journal of X-ray science and technology
|February 20, 2025
概括
这项研究开发了一种深度学习模型,使用MRI扫描来区分脊柱神经瘤和脑膜瘤. 人工智能模型实现了高精度,有助于早期诊断这些常见的脊髓瘤.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 斯万诺瘤 (SCH) 和脑膜瘤 (MEN) 是常见的脊髓瘤,具有重叠的临床和成像特征.
- 在手术前区分SCH和MEN对临床医生来说是一个重大的诊断挑战.
研究的目的:
- 开发一种基于深度学习的分类模型,用于自动诊断脊柱瘤和脑膜瘤.
- 通过基于MRI的准确分类来改善早期诊断并减少临床医生的压力.
主要方法:
- 一个回顾性收集74个脊柱MRI扫描从确诊的SCH或MEN患者.
- 开发一种修改后的CNN模型 (ResNet34-SKConv),其中包含一个选择性的卷积内核模块,用于增强特征歧视.
- 在经过处理的MRI片上使用投票预测方法进行分类.
主要成果:
- 通过ResNet34-SKConv模型实现了92.32%的分类准确度.
- 该模型使用5倍交叉验证证明了95.87%的特异性和93.54%的F1得分.
- 选择性内核模块改善了网络对关键瘤特征的关注.
结论:
- 深度学习分类模型对于脊髓神经瘤和脑膜瘤的差异诊断是有效的.
- 开发的模型显示了计算机辅助诊断中临床应用的巨大潜力.
- 这种人工智能方法可以帮助区分这些具有挑战性的脊髓瘤.


