基于卷积神经网络的系统,用于在多发性硬化症诊断中完全自动的FLAIR MRI细分
Ali Arian Darestani1, Mahsa Naeeni Davarani2,3, Virginia Guillen -Cañas1,4
1Department of Neurosciences, University of the Basque Country (UPV/EHU), Leioa, Spain.
Scientific reports
|October 16, 2025
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的自动化系统,用于为多发性硬化症 (MS) 诊断细分FLAIRMRI图像. 该系统在识别多发性硬化病变方面表现出高准确度和可靠性,有助于临床决策.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经学 神经学
背景情况:
- 多发性硬化症 (MS) 诊断依赖于FLAIRMRI中精确的病变细分.
- 手动细分是耗时的,容易导致评价者之间的变化.
- 需要自动化方法来提高MS病变检测的效率和一致性.
研究的目的:
- 开发和评估一种自动化的卷积神经网络 (CNN) 系统,用于在多发性硬化症 (MS) 中对FLAIR MRI图像进行细分.
- 评估系统在内部和外部数据集上的性能,以确定其临床适用性.
- 利用nnU-Net架构进行强大的MS病变细分.
主要方法:
- 使用了来自103名内部和10名外部患者的FLAIR MRI扫描数据集.
- 应用预处理技术,包括骨剥离,规范化,大小调整和数据增强.
- 采用nnU-Net架构,经过5倍交叉验证的培训,用于切片级分类和voxel级分段.
主要成果:
- 切片级分类实现了83%的准确性 (内部) 和76% (外部),两者都具有高灵敏度 (100%).
- 沃克塞尔级别的细分产生了70% (内部) 和75% (外部) 的子相似系数 (DSC).
- 该系统在两个数据集上都显示出高负预测值 (NPV),表明可靠性.
结论:
- 开发的基于nnU-Net架构的CNN系统对于在FLAIRMRI中对MS病变进行细分是准确和可靠的.
- 这种自动化方法有可能显著提高多发性硬化症诊断中的临床决策.
- 该系统对外部数据的性能表明,该系统在临床使用中具有良好的概括性.
