MRAnnotator:44个结构的多解剖学和多序列MRI细分44个结构的MRI细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 在MRI中精确细分各种解剖结构对于临床诊断和研究至关重要.
• 现有的深度学习模型可能在不同的数据集和获取参数中难以泛化.
• 开发强大的多解剖学细分模型是医学图像分析的持续挑战.

研究的目的:

• 开发和评估一个深度学习模型,MRAnnotator,用于在各种MRI扫描上准确的多解剖细分.
• 评估开发模型在不同临床场所和成像中心的可通用性.
• 将MRAnnotator与现有的最先进的MRI细分模型进行比较.

主要方法:

• 这是一项回顾性研究,使用了两个精选的数据集:内部数据集 (1518个MRI序列) 和外部数据集 (397个MRI序列).
• 44个解剖结构的注释使用模型辅助的工作流程与手动完成.
• 在内部数据集上训练nnU-Net模型 (MRAnnotator),并在外部数据集上评估其性能和通用性.
• 基准测试MRAnnotator与AMOS训练的nnU-Net,总分段MRI (TSM) 和MRSegmentator (MRS) 使用子分数进行比较.

主要成果:

• MRAnnotator在内部数据集上获得了0.878的Dice平均得分,在外部数据集上获得了0.875的平均得分,这表明了强烈的概括性.
• 该模型在AMOS测试集上表现出与AMOS训练的nnU-Net相似的性能 (Dice 0.889与0.895).
• 在两种比较中,MRAnnotator的表现明显优于TSM (Dice 0.822) 和MRS (Dice 0.867),P<0.001.

结论:

• MRAnnotator为MRI中的44个结构提供了强大的和可泛化的多解剖学细分.
• 该模型的性能超过了现有的方法,如TSM和MRS.
• 未来的工作将扩展模型,包括额外的解剖结构,公开提供模型重量.