在非对比头部CT上细分白血病,使用CT-MRI配对数据,没有人类注释
Wi-Sun Ryu1, Jae W Song2, Jae-Sung Lim3
1Artificial Intelligence Research Center, JLK Inc., Seoul, Republic of Korea.
Brain and behavior
|June 11, 2025
概括
一个新的深度学习算法在CT扫描上准确地对白内障病 (LA) 进行细分,通过与MRI数据和临床结果良好相关联,改善缺血性中风患者的评估.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 在CT上评估白血病 (LA) 是很困难的,因为对比度很低,并且与质症相似.
- 准确的LA量化对于缺血性中风患者的管理至关重要.
研究的目的:
- 开发和验证深度学习算法,用于对CT进行LA细分.
- 评估算法的性能与MRI衍生的标签及其临床实用性.
主要方法:
- 一个深度学习模型 (2D nnU-Net) 被训练在来自韩国注册的CT-MRIFLAIR配对数据上.
- 伪地面真实性LA标签通过可变形图像注册在CT上生成.
- 在内部,外部和美国队列中使用Dice相似系数 (DSC),一致性相关系数 (CCC) 和Pearson相关系数来验证性能.
主要成果:
- 该算法在外部测试集中实现了0.527的DSC.
- 预测的LA数量与注册的LA (r=0.953) 和WMH (r=0.951) 有很强的相关性.
- 动脉动脉体积与年龄,危险因素和中风后3个月的结果有显著的关联.
结论:
- 开发的深度学习算法为CT上的LA细分提供了一种可重复的方法.
- 这种方法弥合了在缺血性中风患者CT和MRI评估之间的差距.
