使用深度学习的自动多类组织细分在脑MRI图像中使用瘤患者的图像
Ankit Kandpal1, Puneet Kumar1, Rakesh Kumar Gupta2
1Centre for Biomedical Engineering, Indian Institute of Technology Delhi, New Delhi.
Journal of computer assisted tomography
|June 27, 2025
概括
使用卷积神经网络的新管道在MRI图像中准确地细分大脑组织和瘤病变,改善神经学和瘤学研究的分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 在MRI中精确细分脑组织和病变对于诊断神经系统疾病和脑瘤至关重要.
- 目前的细分方法与包括病变的患者数据扎,特别是在脑瘤病例中.
研究的目的:
- 开发和验证一个强大的管道,用于使用卷积神经网络 (CNN) 自动细分脑组织和瘤病变.
- 提高大脑MRI图像分析的精度和效率,用于临床和研究应用.
主要方法:
- 使用BraTS'21数据集 (1251名患者) 创建了一个管道,并在当地医院数据 (100名患者) 上验证.
- 两个基于U-Net的深度残留CNN被训练用于细分大脑组织和瘤病变.
- 在独立的测试组中,使用子相似度系数 (DSC) 和体积相似度 (VS) 评估性能.
主要成果:
- 该管道在BraTS'21测试数据上获得了0.84的平均DSC和0.93的VS.
- 在当地医院数据上,它实现了0.78的平均DSC和0.91.9的VS.
- 该管道在具有挑战性的情况下,与SPM12相比,表现优越.
结论:
- 开发的管道提供了一种可靠的,自动化的解决方案,用于在MRI图像中对脑组织和瘤病变进行细分.
- 它的适应性支持研究和临床工作流程,提高神经学和瘤学的分析精度.
- 这种工具有可能简化诊断过程和治疗监测.
