在全身MRI中用于神经纤维瘤细分的解剖学知情深度学习和放射学
Georgii Kolokolnikov1, Marie-Lena Schmalhofer2, Lennart Well2
1Institute for Applied Medical Informatics, Institute of Computational Neuroscience, and Center for Biomedical Artificial Intelligence (bAIome), University Medical Center Hamburg-Eppendorf, Martinistr. 52, Hamburg, 20246, Germany.
概括
这项研究引入了一种先进的管道,用于对神经纤维瘤 (NFs) 在1型神经纤维素瘤 (NF1) 患者的全身MRI扫描中进行细分. 该方法整合了解剖学上下文和放射学,实现了专家级的一致性,并优于现有技术.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 神经纤维素瘤类型1 (NF1) 是一种导致多重神经纤维瘤 (NFs) 的遗传疾病.
- 在全身MRI (WB-MRI) 中精确的NF细分对于评估瘤负担和指导治疗决策至关重要.
- 目前的细分方法需要提高准确性和特异性.
研究的目的:
- 开发和评估一个自动化管道,用于NF细分在脂肪抑制T2加权WB-MRI.
- 通过结合解剖学上下文和放射性特征来提高细分的准确性.
- 为了提高特异性和减少NF检测中的错误阳性.
主要方法:
- 一个三个阶段的管道,包括解剖学细分,集体3DU-Net NF细分和基于放射性特征的瘤分类.
- 从74名NF1患者中利用了109个WB-MRI扫描来训练和测试不同的场景 (域内,域转移,低瘤负担).
- 使用诸如子相似系数 (DSC),体积重叠误差 (VOE) 和F1得分等指标进行严格评估.
主要成果:
- 拟议的管道在域内测试集上实现了0.64的每扫描DSC,超过了2D和3DnnU-Net.
- 在域转移测试组 (DSC:0.51) 中保持了竞争性表现,但在低瘤负担病例中 (DSC:0.23) 显示精度降低.
- 初步分析表明,模型与专家之间的协议 (DSC:0.67-0.69) 与专家间协议 (DSC:0.69) 相似.
结论:
- 与现有方法相比,开发的管道在WB-MRI中展示了自动化NF细分的卓越性能.
- 解剖学上下文和放射学的整合有助于管道的稳定性.
- 低瘤负担病例的性能退化突出了未来研究的领域,除了专家间的变化所承认的NF细分的固有复杂性外.
