在MRI上进行双步半自动分类胆道转移:通过边界框定位轨道,然后通过进化策略进行二进制分类
Jeffrey S Shi1, Bala McRae-Posani1, Sofia Haque1
1From the Department of Radiology, Memorial Sloan Kettering Cancer Center, New York, New York, United States of America (J.S.S., B.M., S.H., A.H., J.S.), and Department of Aerospace Engineering, Indian Institute of Technology Madras, Chennai, Tamil Nadu, India (H.S.).
AJNR. American journal of neuroradiology
|September 9, 2025
概括
这项研究引入了一种人工智能驱动的深度学习框架,用于在大脑MRI扫描中检测胸腔转移. 这种新的方法准确地识别出这些罕见的,经常错过的瘤,提高了诊断能力.
科学领域:
- 眼科医生 眼科 眼科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 胸腔转移很少见,在脑MRI上经常错过,因为它们的小尺寸和外围位置.
- 早期检测冠状腺转移对于有效的患者治疗和管理至关重要.
研究的目的:
- 开发和验证一种人工智能 (AI) 框架,用于在脑MRI扫描中更好地检测胸腔转移.
- 使用一种新的深度学习方法,区分正常轨道和带有胆道转移的轨道.
主要方法:
- 开发了一个分层的深度学习框架,涉及顺序轨道本地化 (YOLOv5) 和二进制分类.
- 在386个T2权重的大脑MRI切片上训练了一个局部化网络,然后在66个患者的MRI上训练了一个分类器 (33个正常,33个转移).
- 采用了数据效率高的进化策略,以应对小数据集的挑战,减轻过度配合和不足配合.
主要成果:
- 轨道定位模型在识别地球上的准确性达到100%.
- 使用进化策略训练的卷积神经网络 (CNN) 的分类模型显示,曲线下的高面积 (AUC) 为0.93.
- 该分类器在检测冠状腺转移方面实现了100%的灵敏度和87%的特异性.
结论:
- 开发的半自动管道有效地检测到小,容易被忽视的大脑MRI上的胸腔转移.
- 这种以人工智能为驱动的方法在改善胸腔转移的诊断方面具有显著的临床意义.
- 序列定位和分类为识别医学成像中的微妙病变提供了一个有希望的策略.
