使用深度学习进行脑瘤细分:高性能,最小化MRI数据
Jacky Huang1, Banu Yagmurlu2, Powell Molleti1
1Department of Medicine, Division of Oncology, Stanford University School of Medicine, Stanford, CA, United States.
Frontiers in radiology
|July 23, 2025
概括
深度学习模型可以使用仅两个MRI序列 (T1C + FLAIR) 准确地细分脑瘤,减少数据需求. 这种优化提高了医疗成像中的临床和研究应用的效率和通用性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 从MRI手动脑瘤细分是劳动密集型和耗时的.
- 深度学习 (DL) 为自动化和优化这一过程提供了一个潜在的解决方案.
- 尽量减少所需的MRI序列的数量可以提高DL模型的通用性和临床采用.
研究的目的:
- 通过最大限度地减少MRI序列的数量来优化基于深度学习的脑瘤细分.
- 为了评估3DU-Net模型的性能,使用不同的MRI序列组合进行质瘤细分.
- 为了比较训练在T1C-only,FLAIR-only,T1C + FLAIR和T1 + T2 + T1C + FLAIR序列上的模型的细分精度.
主要方法:
- 在2018年MICCAI BraTS数据集上训练了一个3D U-Net深度学习模型.
- 专注于增强瘤 (ET) 和瘤核心 (TC) 的子细分.
- 使用5倍交叉验证和单独的测试数据集 (358个样本) 评估模型性能,比较四种MRI序列组合.
主要成果:
- 在T1C + FLAIR序列组合中,在ET和TC细分的交叉验证和测试数据集中,实现了与全部四个序列相比或超过的Dice分数.
- 仅T1C也在TC细分方面表现强.
- 在所有配置中,特异性仍然很高 (≥0.958),T1C + FLAIR在ET划分方面表现出卓越的性能.
结论:
- 深度学习模型可以使用仅两个MRI序列 (T1C + FLAIR) 实现大脑瘤细分的高精度.
- 减少对多个序列的依赖可以提高DL模型的概括性,并促进在临床和研究环境中更广泛的传播.
- 这种方法有可能显著减少大脑瘤细分所涉及的手工劳动.
