基于深度学习的自动化细分,使用定量敏感度映射绘制MRI对牙状核的细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 牙状核 (DN) 的准确细分对于理解神经系统疾病至关重要.
• 定量敏感性映射 (QSM) 提供了对大脑组织特性有价值的见解.
• 深度学习 (DL) 在自动化复杂的医疗图像细分任务方面表现有前途.

研究的目的:

• 开发和验证一种基于深度学习的工具,用于在脑MRI定量敏感度映射 (QSM) 图像上对牙状核 (DN) 的自动细分.
• 评估开发的DL模型在各种数据集中的性能和通用性.

主要方法:

• 一项回顾性研究从9个国际数据集中从健康对照组和脑小动或多发性硬化症患者中收集了大脑QSM图像.
• 采用了两步深度学习方法,涉及一个本地化模型,其次是细分模型 (nnU-Net框架).
• 绩效使用课内相关系数 (ICC),子分数和皮尔森相关系数与手动划分进行评估.

主要成果:

• 开发的DL模型在左和右DN细分方面获得了高的Dice分数 (分别为0.90±0.03和0.89±0.04).
• 在外部测试中,自动化工具的表现明显优于现有的领先的自动化方法 (平均子得分为0.86与0.57对左边DN,0.84与0.58对右边DN).
• 该模型在未见的数据集中显示出强大的概括性,自动细分与手动注释高度相关 (r = 0.74为左DN,r = 0.48为右DN).

结论:

• 拟议的深度学习模型从大脑QSM图像中提供了牙状核的准确和高效的细分.
• 这种工具有可能推进影响小脑的神经疾病的研究.
• 公开提供的模型 (https://github.com/art2mri/DentateSeg) 促进了更广泛的采用和研究.