从使用R2AUNet的3D-FLAIRMRI进行自动化多发性硬化病变细分:采用反复的残留和注意力机制的深度学习方法

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 多发性硬化症 (MS) 是一种神经系统疾病,其特征是脱髓化病变.
• 在MRI扫描中手动对这些病变进行细分是耗时且可变的.
• 需要自动化方法来提高MS病变细分的效率和一致性.

研究的目的:

• 开发和评估一个自动化的深度学习 (DL) 模型来对MS病变进行细分.
• 为了利用3D-FLAIR MRI序列进行病变细分.
• 评估DL模型的性能与专家手动细分相比.

主要方法:

• 开发了R2AUNet DL模型,一个3D U-Net,具有反复的剩余块和注意力门.
• 在来自95名多发性硬化患者的112个3D-FLAIRMRI扫描上训练了模型.
• 采用了优化的预处理管道,并使用子相似系数 (DSC),准确度,灵敏度和精度评估了性能.

主要成果:

• 在R2AUNet模型的测试组中,R2AUNet模型在测试组中获得了0.768的DSC.
• 该模型表现出高精度 (0.998),灵敏度 (0.765) 和精度 (0.825).
• 定性分析证实了病变的准确划界,并减少了假阳性.

结论:

• R2AUNet提供了一种可靠和自动化的解决方案,用于从3D-FLAIRMRI中对MS病变进行细分.
• DL模型实现了高精度和效率,简化了数据采集.
• 这种自动化方法提高了可访问性,特别是在资源有限的环境中.