探索3D快速旋转回声和倒置恢复梯度回声序,磁共振成像获取对自动化脑瘤细分的影响
Mana Moassefi1,2, Shahriar Faghani1,2, Sara Khanipour Roshan2
1Mayo Clinic Artificial Intelligence Laboratory, Department of Radiology, Mayo Clinic, Rochester, MN.
Mayo Clinic proceedings. Digital health
|April 10, 2025
概括
3D-FSE MRI 序列可以提高质母细胞瘤细分性能. 使用3D-FSE数据训练自动细分模型,与IR-GRE序列相比,可以提高病变识别.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 精确的质母细胞瘤细分对于治疗规划和监测至关重要.
- 使用磁共振成像 (MRI) 的自动细分技术具有前景,但需要优化.
- 为了提高性能,比较不同的对比增强T1加权 (CET1) MRI采集协议是必不可少的.
研究的目的:
- 为了比较使用两个不同的CET1MRI采集协议的自动化细分技术的性能.
- 评估不同培训数据集对质母细胞瘤细分精度的影响.
- 为了确定哪个MRI序列,IR-GRE或3D-FSE,可以产生优异的自动化细分结果.
主要方法:
- 采集了100个手术前质母细胞瘤 (GBM) 的MRI,包括50个IR-GRE和50个3D-FSE图像集.
- 一位神经放射学家创建了黄金标准的瘤细分口罩.
- nnUNet的架构进行了预训练,然后在IR-GRE和3D-FSE数据集上进行了微调,使用子相似系数 (DSC) 评估性能.
主要成果:
- 与IR-GRE模型相比,在3D-FSE图像上训练的模型显示出优异的损伤细分性能.
- 在各自的测试组中,平均DSC差异为0.057和0.022,有利于3D-FSE.
- 统计分析显示,3D-FSE测试组的DSC有显著差异 (P=.02),表明细分有所改善.
结论:
- 将3D-FSEMRI数据纳入训练套件可以显著提高3D-FSE图像的细分性能.
- 3D-FSE MRI 序列在自动化质母细胞瘤细分方面更有效.
- 优化训练数据采集协议是推动自动化医疗图像分析的关键.
