在MS中脊髓病变的自动细分:为轴向T2加权MRI扫描提供了强大的工具

科学领域:

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

背景情况:

• 深度学习在多发性硬化症 (MS) 中的脑损伤细分方面表现出色,但脊髓损伤仍未得到充分研究.
• 脊髓损伤细分具有挑战性,因为MRI的变异性,解剖学差异,复杂的损伤形态和有限的标记数据.
• 现有的工具往往专注于斜视图,并与轴向T2加权 (T2w) 扫描作斗争,这些扫描对MS研究越来越重要.

研究的目的:

• 开发一个强大的,开源的深度学习工具,用于对MS病变进行细分,特别是在轴向T2w脊髓MRI扫描上.
• 研究影响细分精度的因素,包括图像处理技术和卷积神经网络 (CNN) 架构 (2D与3D).
• 提供一个在不同脊髓区域和病变类型中很好地概括的工具.

主要方法:

• 开发和训练了一种多中心深度学习模型,使用了来自582名多发性硬化症患者的2,167个轴向T2w扫描数据集.
• 研究图像处理步骤,如结脊柱区域和脊髓直.
• 对比了2D和3DCNN在病变细分方面的性能.

主要成果:

• 开发的模型在轴向T2w扫描上明显优于脊髓MS病变细分的最先进方法.
• 在部,胸部和腰部脊髓区域实现了一致的细分性能.
• 该工具在细分不同大小和复杂性的病变方面表现出强大.

结论:

• 这种新的开源工具在轴向T2wMRI上提供了脊髓MS病变的准确和可靠的细分.
• 这一进步解决了MS神经成像分析的关键差距,促进了研究和临床应用.
• 该模型集成到脊髓工具箱中,以实现广泛的可访问性和使用.