深度学习辅助骨髓细分的定量脂肪MRI对于骨髓纤维化患者

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 定量脂肪MRI对于评估骨髓纤维化 (MF) 是至关重要的.
• 准确的骨髓 (BM) 分段对于MF患者的定量分析至关重要.
• 手动细分是耗时的,容易引起观察者之间的变化.

研究的目的:

• 使用深度学习 (DL) U-Net模型,在骨盆肌纤维化患者的骨髓MRI中自动化骨髓细分.
• 评估和比较不同U-Net架构的性能.

主要方法:

• 评估了四个U-Net模型 (2D U-Net,2D注意力U-Net,3D U-Net,3D注意力U-Net) 的使用情况.
• 使用了58名多发性肌痛患者的盆腔MRI数据,由专家手动细分BM.
• 使用雅卡德指数 (AJI),体积误差 (AVE),豪斯多夫距离 (AHD) 和体积交叉比率 (VIR) 来评估性能.

主要成果:

• 2D细分模型获得了最高的性能,特别是在骨髓 (BM) 细分方面 (95-96%VIR,87-88%AJI).
• 2D注意力U-Net在股骨和骨细分方面表现出强的表现.
• 与2D模型相比,3D模型显示出略高的错误和较低的同意分数.

结论:

• 所有四个U-Net模型都成功地在MF患者的骨盆MRI中自动化BM细分.
• 推2D注意力U-Net作为在股骨和骨中整体BM细分的最佳模型.