深度学习用于MRI中枢软骨瘤的自动细分
Salvatore Gitto1,2, Anna Corti3, Kirsten van Langevelde4
1Dipartimento di Scienze Biomediche per la Salute, Università degli Studi di Milano, Milan, Italy.
European radiology experimental
|September 12, 2025
概括
一个深度学习模型在MRI上准确地细分非典型的软骨瘤和II级软骨肉瘤. 这种自动化细分增强了骨瘤学的放射学可靠性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 骨辐射学 骨辐射学
背景情况:
- 自动细分对于提高放射学在骨瘤学中的可靠性和适用性至关重要.
- 在MRI上对软骨瘤的准确细分对于诊断和治疗规划至关重要.
- 非典型的软骨性瘤 (ACT) 和II级软骨肉瘤 (CS2) 是常见的骨瘤,需要精确的表征.
研究的目的:
- 提出和评估一种基于深度学习的方法,用于使用MRI在长骨中自动细分ACT和CS2.
- 评估建议方法的性能与专家放射学家的手动细分相比.
- 确定自动化细分的潜力,以改善骨瘤学中的放射学分析.
主要方法:
- 一项回顾性研究涉及164名手术治疗和组织学证明的软骨瘤患者.
- 使用监督边缘注意力指导细分网络 (SEAGNET) 架构进行T1加权MRI的自动细分.
- 在99个MRI扫描的队列上训练并验证了该模型,并在65个MRI扫描的独立外部队列上测试了其性能.
主要成果:
- 在独立的外部测试数据集中,SEAGNET模型实现了0.828的平均子得分 (DS) 和0.706的交叉点在联盟 (IoU) 上.
- 内部验证和测试队列表现出强的表现,DS从0.742到0.782之间,IOU从0.630到0.663.
- 该模型在MRI上对长骨的软骨瘤进行细分方面表现出色.
结论:
- 基于深度学习的自动细分,特别是使用SEAGNET架构,在MRI中对中央软骨瘤证明非常出色.
- 这种自动化方法有可能提高放射学在骨瘤学中的可靠性和适用性.
- 鉴于临床实践中这些病变的检测率越来越高,这种方法可能是有益的.
