在选择性增强的多参数MRI中检测淋巴结的普遍性
Tejas Sudharshan Mathai1, Sungwon Lee1, Thomas C Shen1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, Bethesda, MD, USA.
ArXiv
|July 30, 2025
概括
这项研究引入了一种改进的AI管道,用于在多参数MRI (mpMRI) 中检测淋巴结 (LNs). 该方法提高了识别良性和转移性结节的准确性,有助于癌症分期.
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:
- 在多参数MRI (mpMRI) 中精确的淋巴结 (LN) 定位对于淋巴腺病的评估和癌症的分期至关重要.
- 目前的LN大小测量方法具有挑战性,因为mpMRI中的外观不同,有可能错过较小的转移节点.
研究的目的:
- 开发一种通用管道,用于在mpMRI中检测良性和转移性淋巴结,以改进测量.
- 通过深度学习提高淋巴结检测的稳定性和准确性.
主要方法:
- 在T2脂肪抑制和扩散权重成像 (DWI) 序列中利用VFNet神经网络进行淋巴结识别.
- 采用了一种选择性数据增强技术,即内标 LISA (ILL),以提高模型的稳定性.
主要成果:
- 与ILL相比,ILL的灵敏度约为83%,而没有ILL的灵敏度为80%,每体积有4个错误阳性 (FP/vol).
- 在4FP/体积的mpMRI上,与现有的LN检测方法相比,显示了~9%的灵敏度改善.
结论:
- 拟议的管道为MPRI中通用淋巴结检测提供了一个强大的解决方案.
- 与ILL增强相结合的VFNet模型显著提高了检测灵敏度,有助于临床工作流程和癌症评估.
