一个新的混合卷积和循环神经网络模型,用于使用动态对比增强MRI进行自动垂体腺瘤分类,使用动态对比增强MRI
Milad Motamed1, Mostafa Bastam2, Seyed Mohamadreza Tabatabaie3
1Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
Radiological physics and technology
|August 14, 2025
概括
一种新的混合人工智能模型使用MRI扫描精确检测下垂体腺瘤,包括微腺瘤和宏腺瘤. 这种先进的深度学习方法为改善患者护理提供了更快,更精确的诊断.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 神经成像是一种神经成像.
背景情况:
- 垂体腺瘤给放射科医生带来了诊断挑战,特别是随着MRI体积的增加和复杂的对比增强解释.
- 区分微腺瘤和宏腺瘤需要高度准确,影响治疗决策和患者的结果.
研究的目的:
- 开发和验证混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于准确地分类垂体腺瘤.
- 通过使用多中心MRI数据,评估模型在区分微腺瘤 (<10毫米) 和宏腺瘤 (>10毫米) 的性能.
主要方法:
- 一种混合CNN-LSTM模型在来自多个中心的2,163个脑垂体MRI扫描数据集上进行了训练和验证.
- 使用转移学习和预处理技术,包括维纳波器,以提高分类准确性.
- 该模型的准确性,灵敏度,特异性和每次扫描的处理时间都被评估.
主要成果:
- 混合CNN-LSTM模型实现了90.5%的精度和0.92.9的AUROC.
- 总体敏感度为89.6%,微腺瘤 (93.5%) 的比率高于宏腺瘤 (88.3%).
- 该模型比标准CNN显著提高了性能 (5-18%),并在0.17秒内处理扫描,显示出对成像变化的稳定性.
结论:
- 开发的混合CNN-LSTM模型为实时检测和分化垂体腺瘤亚型提供了精确有效的工具.
- 这种新的双路径方法,协同空间和时间MRI特征,代表了可扩展和可重复的进步在垂体诊断.
- 该模型显示了神经成像中更广泛应用的潜力,旨在增强诊断工作流程和患者的结果.
