深度学习用于对轴T2加权前列腺MRI的质量评估:一种减少不必要重新扫描的工具

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:

• T2加权图像对于前列腺MRI分析至关重要.
• 需要在无放射科医生监督的情况下进行自动化,针对患者的图像质量 (IQ) 评估.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于自动评估T2加权前列腺MRI图像质量.
• 将DL模型的性能与专家泌尿放射科医生进行比较,以确定诊断质量和重新扫描的必要性.

主要方法:

• 对1412个轴向T2加权前列腺扫描进行了回顾性研究.
• 放射科医生以0-3级别对智商进行评分,并将其分为诊断和非诊断类别.
• 在数据的子集上训练和验证了一个3D-DenseNet_169 DL模型,使用Cohen的kappa和曲线下的面积来评估性能.

主要成果:

• DL模型在预测放射科医生的智商得分方面取得了很高的准确性 (Cohen κ=0.658),与人类互评测器可靠性相提并论.
• 该模型对重新扫描必要性的预测显示了与放射科医生 (κ=0.537) 的实质性一致.
• 再扫描预测曲线下的面积为0.867,表明表现强.

结论:

• DL模型有效地区分了诊断和非诊断的T2加权前列腺MRI扫描,反映了专家的评估.
• 实施这种人工智能工具可能会将不必要的重新扫描率从50%以上降低到30%以下.
• 人工智能驱动的前列腺MRI智商评估可以通过避免重复扫描足够质量的图像并识别需要重复的图像来提高效率.