基于深度学习的自动细分和定量腰椎MRI中长期囊的横截面区域
George Ghobrial1, Christian Roth2
1Clinic for Diagnostic and Interventional Radiology and Neuroradiology, Klinikum Bremerhaven Reinkenheide, Bremerhaven, Germany.
Frontiers in radiology
|April 9, 2025
概括
深度学习模型,特别是MultiResUNet,可以准确地自动测量从腰椎核磁共振成像 (MRI) 中的持续囊横截面积 (DSCA),从而提高诊断效率. 这项技术提高了精度,并减少了放射科医生在脊柱状况评估中的工作量.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的人工智能
- 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 腰椎MRI对于诊断脊柱状况至关重要,例如狭窄和椎间盘.
- 手动测量持续性囊横截面积 (DSCA) 是耗时且易出错的.
- 深度学习,特别是CNN,显示出医学图像分析的前景.
研究的目的:
- 评估深度学习模型,用于在腰部脊柱MRI中自动化DSCA测量.
- 为了提高诊断精度和减少放射科医生的工作量.
- 评估U-Net,Attention U-Net和MultiResUNet在DSCA量化中的有效性.
主要方法:
- 使用了两个大型的,匿名的腰椎MRI数据集 (683个扫描用于培训/测试,50个用于验证).
- 使用5倍交叉验证实现并比较U-Net,Attention U-Net和MultiResUNet模型.
- 训练模型在T1加权的轴性MRI图像上,并使用准确度,精度,回忆,F1得分和MAE进行评估.
主要成果:
- 所有模型都显示了预测和实际的DSCA值之间的高度相关性.
- MultiResUNet实现了卓越的性能,皮尔森相关系为0.9917和MAE为23.7032mm2.
- 外部验证证实了MultiResUNet的稳定性,准确率为99.95%,回忆率为0.9989,F1得分为0.9393.
结论:
- 深度学习模型,特别是MultiResUNet,提供准确可靠的自动化DSCA测量.
- 这些模型可以显著提高诊断准确度,并减轻放射科医生的工作量.
- 未来的研究应该专注于更大,多样化的数据集和不同的图像权重,以提高概括性.
