深度学习模型的比较评估,用于静脉瘤的3D细分和体积测量,使用具有外部验证的大型异质数据集
Parv M Mehta1, Sahika B Yayli1, Pranjal Rai1
1From the Department of Radiology, Mayo Clinic, Rochester, MN, USA (P.M.M, S.B.Y, P.R, D.J.B, V.M.S, J.C.B, B.J.E, G.B.), Department of Otology/Neurotology, Mayo Clinic, Rochester, MN, USA (M.L.C), College of Engineering, University of Iowa, Iowa City, IA, USA (M.S, H.Z.), and Department of Radiology, The University of Texas at San Antonio, San Antonio, TX, USA (P.M.M).
AJNR. American journal of neuroradiology
|November 19, 2025
概括
像U-Mamba和nnUNet这样的深度学习模型显示了前庭神经瘤 (VS) 的精确3D细分,为瘤生长评估提供了手动方法的更快的替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 手动3D细分和体积测量前庭神经瘤 (VS) 对于瘤生长的评估是准确的,但在临床实践中耗时.
- 深度学习 (DL) 为自动化VS细分和体积测量提供了一个潜在的解决方案.
研究的目的:
- 评估和比较五个DL模型 (nnUNet,U-Mamba,UNETR,MedSAM) 用于3D VS细分和体积测量.
- 评估模型的稳定性,以获取异质性和对外部数据的概括性.
主要方法:
- 使用大型内部数据集 (2692个扫描) 进行培训和验证,以及外部数据集 (241个扫描) 进行测试.
- 使用Dice相似系数,豪斯多夫距离,表面对表面距离和相对体积误差评估的模型.
- 对瘤体积和数据集异质性影响进行了分分析.
主要成果:
- 在外部测试组中,U-Mamba和nnUNet (基础,ResEncL) 显示出高性能 (中位数为0.899-0.927).
- 顶级模型的平均豪斯多夫距离为3.59毫米,豪斯多夫95为1.6毫米,S2S距离<1毫米,RVE为0.07-0.08%.
- 细分精度在较小的瘤 (<200mm3) 中较低,但在较大的瘤 (>400mm3) 中得到改善.
结论:
- 包括CNN,变压器和基础模型在内的深度学习模型在VS细分中表现出强的性能.
- 基于CNN的模型,如U-Mamba和nnUNet,凭借其高性能和自我优化能力,对临床集成有希望.
