深度学习用于自动细分辐射诱导的变化在脑动脉静脉形形后的放射外科手术
Hsing-Hao Ho1,2,3, Huai-Che Yang1,2, Wen-Xiang Yang4
1School of Medicine, College of Medicine, National Yang Ming Chiao Tung University, Taipei, Taiwan.
BMC medical imaging
|July 2, 2025
概括
这项研究介绍了一种AI算法,用于测量AVM放射外科手术后的辐射诱导变化. 该工具准确量化了这些变化,有助于治疗规划和患者管理.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 神经外科 神经外科
背景情况:
- 对大脑动脉静脉形形 (AVM) 的立体射线外科手术 (SRS) 可以导致大脑组织的辐射诱导变化 (RIC).
- 准确的RIC体积评估对于管理SRS后的AVM患者至关重要.
- 目前的方法缺乏用于精确RIC细分和定量化的自动化工具.
研究的目的:
- 开发和验证一个算法,用于在T2wMRI扫描中自动细分和RIC体积计算.
- 为预测RIC的过程提供一个工具,并改善AVM患者的临床决策.
主要方法:
- 一个面具基于区域的卷积神经网络 (面具R-CNN) 接受了区域指定的培训.
- 转移学习应用于DeepMedic深度学习模型,用于AVM瘤的自动细分.
- 一位临床放射科医生提供了RIC的手动细分,以进行黄金标准比较.
主要成果:
- 该算法在28名患者身上进行了测试,其中139名患者进行了T2w扫描.
- 算法和手动细分之间的Dice平均相似系数为71.8%.
- 观察到RIC在SRS后的一年达到峰值,随后下降.
结论:
- 拟议的AI细分算法提供了与手工方法相比较的准确RIC体积量化.
- 这种工具可以增强对接受SRS的AVM患者的临床决策.
- 这些发现提供了SRS治疗后RICs时间动态的见解.
