在MRI中对nnU-Net和Auto3Dseg进行脂肪和纤维腺组织细分的比较分析
Yasna Forghani1,2, Rafaela Timóteo1,2, Tiago Marques1
1Champalimaud Foundation, Champalimaud Clinical Centre, Digital Surgery Lab, Lisboa, Portugal.
Journal of medical imaging (Bellingham, Wash.)
|April 18, 2025
概括
自动机器学习框架nnU-Net和Auto3Dseg在乳房MRI中对脂肪和纤维腺组织 (FGT) 的细分表现相似. 侧重于边界的指标对于评估细分精度至关重要.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学研究的研究.
背景情况:
- 乳腺癌的检测依赖于MRI中脂肪和纤维腺组织 (FGT) 的准确细分.
- 手动细分是耗时和主观的.
- 自动机器学习 (AutoML) 为高效和准确的细分提供了解决方案.
研究的目的:
- 为了比较两种AutoML框架nnU-Net和Auto3Dseg的性能,用于在乳腺MRI中对脂肪和FGT进行细分.
- 评估AutoML在解决3D医疗图像细分方面的挑战方面的有效性.
主要方法:
- 利用杜克大学乳腺MRI数据集 (100名患者) 的T1加权MRI图像.
- 使用三重交叉验证与子相似系数 (DSC) 和豪斯多夫距离 (HD) 进行评估.
- 应用统计分析,包括t测试和Tukey的HSD测试.
主要成果:
- nnU-Net获得了0.89 (脂肪) 和0.85 (FGT) 的DSC分数;Auto3DSeg获得了0.87 (脂肪) 和0.84 (FGT).
- 在特定配置之间观察到脂肪和豪斯多夫距离的显著差异.
- 主要方法之间在FGT豪斯多夫距离或DSC指标上没有发现显著差异.
结论:
- 自动3Dseg和nnU-Net的组合方法在乳腺MRI中显示脂肪和FGT细分的可比性能.
- 该研究强调了像豪斯多夫距离这样的以边界为中心的指标在评估细分算法的重要性.
- 自动ML框架为医学成像中的自动细分提供了强大的解决方案.
