深度学习用于在放射性手术后脑膜瘤中脑 edem 的自动细分
Huai-Che Yang1,2, Tzu-Chiang Peng1,2, Zhi-Hong Chen3
1School of Medicine, College of Medicine, National Yang Ming Chiao Tung University, Taipei, Taiwan.
BMC medical imaging
|April 23, 2025
概括
现在可以自动细分大脑瘤后的玛刀放射性手术 (GKRS). 这种人工智能工具准确量化了瘤体积,有助于治疗规划和脑膜瘤患者的研究.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 对像脑膜瘤这样的良性脑瘤进行的玛刀放射性手术 (GKRS) 可以导致周围焦点.
- 精确的体积测量对这种的评估对于治疗规划和监测至关重要.
- 目前的方法缺乏在T2加权MRI扫描中精确细分和定量瘤的工具.
研究的目的:
- 开发一个自动化系统,用于细分和量化GKRS后的大脑.
- 利用深度学习模型来更好地分析放射性手术后的变化.
- 探索GKRS对脑膜瘤患者脑 edem 的影响.
主要方法:
- 一个面具基于区域的卷积神经网络 (面具R-CNN) 接受了区域指定的培训.
- 转移学习应用于DeepMedic深度学习模型,用于自动细分.
- 用于培训和测试的是来自21名脑膜瘤患者的130个T2w扫描数据集.
主要成果:
- 自动化细分模型实现了与手动细分相比,Dice的平均相似度系数为84.7%.
- 该系统成功地在T2w图像中细分和量化脑.
- 这些定量发现被用来分析GKRS对脑膜瘤诱导的瘤的影响.
结论:
- 开发的自动化方案用于脑的细分和量化是非常有效的.
- 这种方法对创建放射性手术后胀的预测模型具有前景.
- 该工具可以帮助更好地管理和研究放射外科手术后的大脑.
