迈向强大的大脑中线转移检测:基于YOLO的3D切片扩展器与新型数据集

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 精确检测大脑中线转移对于诊断和监测神经疾病,如创伤性脑损伤,中风和瘤至关重要.
• 目前用于大脑中线转移检测的工具和数据集有限,这阻碍了准确的评估.
• 这项研究解决了在神经成像中改进自动检测方法的需求.

研究的目的:

• 开发和评估深度学习模型,使用MRI扫描来自动检测大脑中线转移.
• 介绍一种新的,注释式数据集 (大脑中线检测) 用于识别关键的大脑地标 (前侧,后侧,膜).
• 创建一个 3D Slicer 扩展用于简化,人工智能辅助的中线转移分析.

主要方法:

• 包括YOLOv5 (n,s,m,l),YOLOv8和YOLOv9 (GELAN-C) 在内的深度学习模型的全面性能评估.
• 开发大脑中线检测数据集,用于MRI扫描中的里程碑识别.
• 将表现最好的模型集成到3D Slicer扩展中,包括预处理,过,头骨剥离,注册和转移计算.

主要成果:

• YOLOv5l实现了最高的精度 (0.9601) 和回忆 (0.9489).
• YOLOv5m表现出最好的mAP@0.5:0.95分数 (0.6087),并因其平衡的性能而被选为最佳模型.
• YOLOv8s显示了更高的mAP@0.5:0.95分数 (0.6382),但由于高损失值,它不那么实用. YOLOv9-GELAN-C的表现不佳. 这是一个很好的表现.

结论:

• 开发的3D Slicer扩展与YOLOv5m模型提供了一个有效的工具,用于自动化大脑中线转移检测.
• 引入大脑中线检测数据集和开源工具有助于人工智能辅助神经成像技术的进步.
• 这项工作有助于更准确,更有效,更容易获得的医学成像分析,用于大脑中线评估.