在MRI上使用深度学习对三神经体段的自动细分使用深度学习
Li-Ming Hsu1,2, Shuai Wang3, Sheng-Wei Chang4,5
1Center for Animal Magnetic Resonance Imaging, The University of North Carolina at Chapel Hill, Chapel Hill, North Carolina, USA.
International journal of biomedical imaging
|February 24, 2025
概括
一种新的深度学习方法,U-Net,准确而高效地对水三角神经进行细分. 这种自动化方法有助于诊断三角神经疼痛 (TN) 和相关疾病.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 神经外科 神经外科
背景情况:
- 精确细分的水三角神经对于诊断和治疗三角神经疾病,如三角神经疼痛 (TN) 是至关重要的.
- 手动细分是耗时的,并受到观察者之间的变化,限制其临床实用性.
研究的目的:
- 开发和评估一种基于深度学习的自动化方法,U-Net,用于细分水三角神经.
- 与手动方法相比,提高三角神经细分的准确性和效率.
主要方法:
- 在健康对照MRI数据上训练和验证了一个U-Net深度学习模型.
- 该模型在一个单独的三角神经疼痛 (TN) 患者数据集上进行了测试.
- 用Dice,Jaccard,PPV,SEN,CMD和豪斯多夫距离指标来评估细分性能.
主要成果:
- 该U-Net模型在细分水三角神经方面取得了很高的准确性.
- 自动细分的性能与参与放射科医生的性能相当.
- 该方法在不同数据集中展示了强大的性能.
结论:
- 该U-Net深度学习方法提供了一个有前途的解决方案,用于准确和高效的体三角神经细分.
- 这是第一个完全自动化的三角神经在MRI解剖学中的细分方法.
- 这种技术有可能在诊断和治疗三角神经疾病,包括TN的诊断和治疗方面发挥重要作用.
