在大脑3D-T1WI中使用深度学习进行前视觉通路的自动细分和体积测量

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 前视通路 (AVP) 的准确细分对于临床应用至关重要.
• 手动的AVP划分是耗时和资源密集的,需要自动化解决方案.

研究的目的:

• 通过使用脑T1加权成像 (T1WI) 评估自动AVP细分和体积测量的可行性.
• 评估AVP细分的3D UX-Net深度学习模型的性能,并与其他最先进的模型进行比较.

主要方法:

• 对119名成年人脑T1WI的回顾性分析,由两名放射科医生手动AVP注释.
• 培训和验证3D UX-Net模型,使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和平均对称表面距离 (ASSD) 进行性能评估.
• 将3D UX-Net与3D U-Net,UNETR,UNETR++和Swin SMT模型进行比较,以获得细分精度和体积测量.

主要成果:

• 3D UX-Net实现了最高的DSC (0.893±0.017) 和最低的中位数ASSD (0.234毫米).
• 自动细分的平均AVP体积为1446.78 ± 245.62mm3,与手动细分的平均体积 (VD = 0.068 ± 0.064) 非常接近.
• 观察到基于性别的显著AVP体积差异 (p < 0.001),没有年龄相关性.

结论:

• 3D UX-Net模型在自动AVP细分和大脑T1WI体积测量方面表现出高准确度.
• 这项研究为成年人AVP的自动MRI测量提供了规范值.
• 开发的模型在临床实践中提供了一种节省时间和可靠的替代方案,可以替代手动的AVP划分.