对公开可用的人工智能模型进行T1加权的迪克森图像上的胰腺细分的比较
Yuki Sonoda1, Shota Fujisawa2, Mariko Kurokawa2
1Department of Radiology, Graduate School of Medicine, The University of Tokyo, 7-3-1 Hongo, Bunkyo-ku, Tokyo, 113-8655, Japan. ysonoda.diagrad@gmail.com.
Japanese journal of radiology
|June 18, 2025
概括
与其他深度学习模型相比,PanSegNet在MRI上提供卓越的自动胰腺细分和胰腺内脂肪分数 (IPFF) 评估. 它与人类测量结果非常一致,非常适合进行大规模研究.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的胰腺细分对于体积分析和磁共振成像 (MRI) 中的胰腺内脂肪分数 (IPFF) 评估至关重要.
- 深度学习模型为自动化这一过程提供了潜力,但它们的性能各不相同.
研究的目的:
- 为了比较三种深度学习模型 (TotalSegmentator,TotalVibeSegmentator,PanSegNet) 的性能,用于MRI上的自动胰腺细分.
- 为了评估它们的准确性与人类注释对细分,体积和IPFF进行评估.
主要方法:
- 分析了使用双点迪克森方法的20个T1加权的腹部上部MRI系列.
- 三名放射科医生的手动细分建立了一个基本真相面具.
- 使用TotalSegmentator,TotalVibeSegmentator和PanSegNet.Net进行了自动化细分.
- 性能指标包括子相似系数 (DSC),豪斯多夫距离,以及体积和IPFF的一致性相关系数 (CCC).
主要成果:
- 泛SegNet实现了最高的DSC (0.883),与人类观察者间变异性 (0.896) 相比.
- 在TotalVibeSegmentator (0.731) 和TotalSegmentator (0.707) 中,DSC值明显较低.
- 潘塞格网显示,胰腺体体积 (CCC=0.958) 和IPFF (CCC=0.993) 与基本真相的最佳一致性.
结论:
- 潘塞格网表现出优异的细分精度和与T1加权迪克森MRI上的胰腺体积和IPFF对人类测量的一致性.
- 这种模型非常适合大规模的自动胰腺细分和脂肪评估研究.
