自动脑瘤细分在2D手术内超声图像使用磁共振成像瘤注释

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在手术期间精确的脑瘤细分对于有效的切除至关重要.
• 目前用于手术内超声波 (iUS) 分段的深度学习模型受到小的注释数据集的限制.
• 磁共振成像 (MRI) 为瘤定位提供了更容易获取的注释数据.

研究的目的:

• 研究使用MRI衍生瘤注释来训练iUS脑瘤细分的深度学习模型的有效性.
• 评估MRI注释是否可以作为有限的iUS注释的可行替代品.
• 根据专家的注释,评估训练有不同的数据来源的模型的性能.

主要方法:

• 使用了180个注释的MRI扫描和29个注释的iUS图像.
• 执行图像注册以将MRI注释转移到相应的iUS图像.
• 训练有素的nnU-Net模型使用各种MRI和iUS注释数据的组合.
• 将模型性能与专家神经外科医生细分进行比较.

主要成果:

• 用MRI注释训练的模型表现与用iUS注释或两者都训练的模型相似.
• 最好的模型获得了0.62 ± 0.31的子得分,接近专家神经外科医生的0.67 ± 0.25.
• 与专家相比,模型的性能与较大的瘤相似,但与较小的瘤相比较低.
• 从训练数据集中排除较小的瘤改善了细分结果.

结论:

• 磁力共振成像瘤注释是iUS注释的可行替代品,用于训练iUS脑瘤细分的深度学习模型.
• 这种方法可以帮助克服iUS图像分析中的数据稀缺问题.
• 为了获得最佳的临床应用,需要进一步细化,可能是通过解决较小的瘤细分.