基于MRI图像的多个深度学习模型,从单独的大脑转移中区分质母细胞瘤:一个多中心研究
Chao Kong1,2, Ding Yan3, Kai Liu4
1Department of Graduate, Shandong First Medical University and Shandong Academy of Medical Sciences, Jinan, China.
BMC medical imaging
|May 19, 2025
概括
这项研究开发了一种深度学习模型,用于识别质母细胞瘤和单独的大脑转移,使用多序磁共振图像 (MRI). 3D ResNet-18模型在术前区分这些脑瘤方面表现出最高的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的手术前识别质母细胞瘤和单独的大脑转移对于有效的治疗计划至关重要.
- 使用传统的成像技术,区分这两种常见的大脑瘤可能是具有挑战性的.
研究的目的:
- 开发和比较深度学习模型,用于精确的手术前识别质母细胞瘤和单独的大脑转移.
- 评估结合多中心多序磁共振图像 (MRI) 进行瘤分化的疗效.
主要方法:
- 从236名病理确认质母细胞瘤或单个大脑转移的患者中回顾性收集临床数据和MRI图像.
- 训练和验证四个深度学习模型 (3D ResNet-18,3D视觉转换器,3D DenseNet,3D VGG) 使用单个和组合的MRI序列.
- 从接收器运行特征 (ROC) 曲线中使用准确性,精度,回忆,F1得分和曲线下的面积 (AUC) 来评估模型性能.
主要成果:
- T1-CE,T2和T2-Flair MRI序列的组合实现了高分辨效果,精度为0.8718和AUC为0.9305.
- 使用这些组合序列的3D ResNet-18模型在所有测试模型中实现了0.8125的最高外部验证精度和0.8899的AUC.
结论:
- 多序MRI图像与深度学习模型相结合,为手术前识别质母细胞瘤和单一大脑转移提供了一种有效的方法.
- 3D ResNet-18 深度学习模型在区分这两种类型的大脑瘤方面表现出卓越的性能.
更多相关视频
08:36Ultrasound Imaging-guided Intracardiac Injection to Develop a Mouse Model of Breast Cancer Brain Metastases Followed by Longitudinal MRI
Published on: March 6, 2014
18.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
6.9K
