一个完全自动的放射学管道用于前置神经瘤的术后面部神经功能预测

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:

• 静脉神经瘤 (VS) 是最常见的内瘤.
• 面部神经 (FN) 功能保护是VS的一个关键的手术目标.
• 自动预测手术后的FN功能仍然是一个挑战.

研究的目的:

• 开发一种全自动的深度学习方法,用于预测VS患者的术后FN功能.
• 为了利用多序MRI提高预测准确度.
• 为神经外科医生提供决策工具.

主要方法:

• 开发了一个2.5D Trans-UNet用于细分瘤和从多序MRI中提取放射性特征.
• 综合1D卷积神经网络 (1DCNN) 和门式循环单元 (GRU) 进行分类.
• 与传统方法相比,验证了自动化放射学管道.

主要成果:

• 2.5D Trans-UNet实现了高细分精度 (89.51%的公共,90.66%的私人数据集).
• 完全自动的放射学管道在预测术后FN功能时达到88.64%的准确性.
• 拟议的方法性能优于传统的放射学管道.

结论:

• 开发的深度学习方法为VS患者的手术后FN功能提供了有效和自动预测.
• 这种方法可以作为一个有价值的工具来支持神经外科的决策.
• 这些发现有助于改善VS的治疗策略.