一个新型的卷积神经网络用于自动化多发性硬化症脑损伤细分
Emma Dereskewicz1, Francesco La Rosa1,2, Jonadab Dos Santos Silva1
1Department of Neurology, Icahn School of Medicine at Mount Sinai, New York, New York, USA.
概括
深度学习算法FLAMeS在MRI扫描上准确地对多发性硬化症 (MS) 脑病变进行细分. 这种自动化方法的性能优于现有的工具,为MS研究提供了更快,更一致的方法.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 在MRI上对多发性硬化症 (MS) 脑病变的手动细分是劳动密集型的,容易变化.
- 准确的损伤评估对于MS研究和临床监测至关重要.
研究的目的:
- 开发和评估一种自动化算法,用于使用T2加权流体减弱倒置恢复 (FLAIR) 进行MS脑病变细分.MRI.
- 将开发的算法的性能与现有的自动化细分方法进行比较.
主要方法:
- 在多发性硬化症中开发了FLAIR损伤分析 (FLAMeS),这是一种使用nnU-Net架构的深度学习算法.
- 在668个MS FLAIRMRI扫描中训练有素的FLAMeS,并在三个独立数据集上得到验证.
- 使用定性专家审查和定量细分指标评估绩效,与SAMSEG,LST-LPA和LST-AI进行比较.
主要成果:
- 在20个扫描中的17个中,失明的专家在质量上更喜欢FLAMeS.
- 在测试数据集中实现了0.74的平均子得分,0.84的真正阳性率和0.78的F1得分.
- 超越了基准方法,特别是在识别较小的病变,而缺少较少的较大的病变.
结论:
- FLAMeS在细分多发性硬化症脑病变方面表现出高准确性和稳定性.
- 这种自动化的深度学习方法超过了目前公开可用的MS病变细分方法.
