FLAMeS:一个强大的深度学习模型,用于自动化多发性硬化损伤细分

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 对多发性硬化症 (MS) 中的大脑病变的准确评估对研究至关重要.
• 在MRI上对MS病变的手动细分是耗时的,缺乏一致性.

研究的目的:

• 开发一种自动化算法,用于在T2加权流体减弱倒置恢复 (FLAIR) MRI上对MS病变进行细分.
• 评估开发的算法的性能与现有方法相比.

主要方法:

• 在多发性硬化症中开发了FLAIR损伤分析 (FLAMeS),这是一种使用nnU-Net架构的深度学习算法.
• 在668个MS FLAIRMRI扫描 (1.5和3特斯拉) 上训练了FLAMeS.
• 在三个外部数据集上评估FLAMeS,并使用定性和定量指标将其与SAMSEG,LST-LPA和LST-AI进行比较.

主要成果:

• 盲目的专家进行的定性审查在20个扫描中的17个中支持FLAMeS.
• 在测试数据集中,FLAMeS实现了0.74的平均子得分,0.84的真正阳性率和0.78的F1得分.
• 在损伤细分精度方面,FLAMeS的表现优于基准方法,特别是在较小的损伤方面.

结论:

• FLAMeS是一种准确而强大的方法,用于自动化MS病变细分.
• 开发的算法与其他公开可用的MS病变细分方法相比,表现出更高的性能.