深度学习模型用于MRI图像中轨道结构的自动细分
Esmira Bakhshaliyeva1, Lara Noelle Reiner2, Moudather Chelbi2
1Department of Radiology, Charité Universitätsmedizin Berlin, Berlin, Germany.
Clinical neuroradiology
|June 26, 2025
概括
像nnU-Net这样的深度学习模型在MRI扫描中对轨道结构进行细分,准确地识别眼球和视神经. 为了改善瘤细分和视网膜脱落,需要进一步开发.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 磁共振成像 (MRI) 对于轨道结构可视化和眼睛病理检测至关重要.
- 手动对轨道解剖学的细分是复杂且耗时的.
- 深度学习 (DL) 为医学成像提供自动化细分解决方案.
研究的目的:
- 训练和评估基于U-Net的模型,用于关键轨道结构的自动细分.
- 评估nnU-Net在对眼球球,瘤,视网膜脱落和视神经进行细分方面的性能.
- 确定自动轨道MRI细分的挑战和改进领域.
主要方法:
- 对117名患有轨道病理的患者进行了回顾性研究,他们接受了MRI.
- 眼球球,瘤,视网膜脱落和视神经的手动细分.
- 利用nnU-Net进行自动细分,并进行五倍交叉验证.
- 使用子相似系数 (DSC) 和相对绝对体积差异 (RAVD) 评估性能.
主要成果:
- nnU-Net实现了眼球球 (DSC:0.931) 和视神经 (DSC:0.820) 的高细分精度.
- 眼部瘤 (DSC:0.788) 和视网膜脱落 (DSC:0.550) 的细分显示出了变化.
- 观察到高检测率:瘤的ROC AUC为0.90,视网膜脱落的ROC AUC为0.78.
结论:
- nnU-Net表现出强大的分段轨道结构的能力,特别是眼球和视神经.
- 在细分可变结构,如瘤和视网膜脱落等方面仍然存在挑战.
- 以多样化的数据集和改进的DL模型为基础的未来研究可以增强诊断和治疗支持.
