深度学习策略用于多参数MRI中儿科脑瘤的语义细分
Annachiara Cariola1, Elena Sibilano1, Andrea Guerriero1
1Department of Electrical and Information Engineering, Polytechnic University of Bari, Via Orabona 4, 70126, Bari, Italy.
Scientific reports
|July 2, 2025
概括
这项研究引入了先进的深度学习模型,用于从MRI扫描中对儿科脑瘤 (PBT) 进行细分. 一个整体模型取得了卓越的结果,改善了儿科质瘤的诊断和治疗监测.
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:
- 儿童脑瘤 (PBT) 的自动细分对于诊断和治疗监测至关重要,但仍未得到充分研究.
- 精确细分瘤子区域,如增强瘤 (ET),瘤核心 (TC) 和整个瘤 (WT),对于有效的管理至关重要.
研究的目的:
- 开发和评估深度学习方法,用于MRI扫描中PBT的语义细分.
- 将使用预训练的SegResNet模型的转移学习方法与新的基于注意力的多编码器架构进行比较.
主要方法:
- 创建了两个深度学习管道,用于使用BraTS-PEDs 2024数据集对儿科质瘤的ET,TC和WT进行细分.
- 预先训练的SegResNet模型进行了微调,并设计和训练了两个具有注意力机制的新型多编码器架构.
- 采用集体方法和后处理技术来提高细分性能,特别是在ET地区.
主要成果:
- 3编码器模型实现了TC和WT (使用子损失) 和ET (使用通用子焦点损失) 的最高子得分.
- 对于TC和WT,SegResNet的回忆力更高,对于ET的精度更高.
- 后处理改进了ET细分,整体模型实现了0.852 (TC),0.876 (WT) 和0.764 (ET) 的子得分.
结论:
- 两种开发的深度学习策略都在儿童脑瘤细分方面取得了最先进的性能.
- 新型组合模型显著优于预训练的SegResNet,提供更高的细分精度.
- 后处理有效地增强了ET细分指标,而不损害数据完整性,支持临床应用.
