在常规临床实践中,在扩散权重成像上对急性心脏病细分的两个深度学习算法进行比较

科学领域:

• 医疗成像中的人工智能
• 神经学和中风成像分析 神经学和中风成像分析
• 深度学习用于医学图像细分的深度学习.

背景情况:

• 在扩散权重成像 (DWI) 上精确的心脏病发作体积测量对于预测中风结果和指导内血管血栓切除术至关重要.
• 传统的3D U-Net深度学习模型实现了高灵敏度,但由于心脏病发作模仿,通常会产生错误的阳性.
• 需要改进的深度学习模型,可以准确地细分心脏病发作,同时尽量减少各种病理的错误阳性.

研究的目的:

• 开发和评估基于SegMamba的新型深度学习模型,用于在DWI心脏病细分中增强全球体积特征提取.
• 将SegMamba模型的性能与基于3D U-Net的模型进行比较,使用多样化的DWI超强度病理数据集.
• 在现实世界的临床场景中评估这两种模型的诊断准确性和临床实用性.

主要方法:

• 两个深度学习模型,SegMamba和3D U-Net,在一个大型的多中心数据集上训练了10820个DWI扫描.
• 模型的性能在一组外部测试中评估了2731个DWI扫描和1194名患者的临床队列.
• 细分精度是使用子相似系数 (DSC) 和平均豪斯多夫距离 (AHD),以及灵敏度和特异性来量化.

主要成果:

• 在外部测试组中,SegMamba和U-Net在外部测试组中显示了可比的DSC (0.786对0.785).
• 在AHD (1.25毫米对1.76毫米) 中,SegMamba显著超过U-Net,这表明了更精确的边界划分.
• 在临床数据集中,SegMamba实现了更高的特异性 (58.80%与29.54%) 和整体准确性 (64.07%与39.11%),尽管敏感性略低.

结论:

• 将深度学习架构修改为SegMamba,在更广泛的疾病群体中提高了分类准确性,同时在缺血性中风队列中保持了性能.
• 塞格曼巴模型在区分真实心脏病发作和模仿性心脏病发作方面表现出卓越的性能,从而在各种临床环境中实现更高的诊断准确性.
• 跨多种临床环境的验证对于确保深度学习模型在中风成像分析中的实际实用性至关重要.