开发和评估一个深度学习框架,用于从多序MRI的盆腔和圣座瘤细分:一个回顾性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在多序MRI中精确细分盆腔和圣座瘤 (PST),对于有效的治疗和手术规划至关重要.
• 当前的细分方法通常需要大量的手动注释,这耗时且容易引起观察者之间的变化.

研究的目的:

• 开发和评估一个实用的深度学习 (DL) 框架,以从多序MRI中高效准确地对PST进行细分.
• 调查 2.5D U-Net 与 MobileNetV2 集成的 PST 分段的性能.

主要方法:

• 使用了616名病理确认PST患者的数据集.
• 开发了一个包含2.5D U-Net和MobileNetV2的DL框架,用于在T1-weighted (T1-w),T2-weighted (T2-w),扩散权重成像 (DWI) 和对比度增强的T1-weighted (CET1-w) MRI序列中自动细分.
• 评估了两个模型:一个全序列模型 (融合四个序列) 和一个T2融合模型 (使用T2-w和CET1-w),采用快速注释策略,采用粗标签用于培训和细标签用于测试.

主要成果:

• 2.5D MobileNetV2 架构的性能优于 2D 和 3D U-Net 模型,达到了 0.741 的 Dice 得分和 0.615 的 IoU.
• 所有序列模型在各个序列中表现出强的性能 (子:T1-w 0.659,CET1-w 0.763,T2-w 0.819,DWI 0.723).
• T2融合模型表现出卓越的结果,得出0.833的子得分和0.719的IOU.

结论:

• 通过使用多序MRI成功开发了用于PST细分的实用DL框架.
• 拟议的框架大大减少了对广泛数据注释的依赖,提供了更有效的方法.
• 这些DL模型为PST管理中的临床应用提供了多功能解决方案.