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.


