基于深度学习的方法的评估,用于在T1-对比MRI中自动检测和细分脑转移,用于立体射线手术

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经瘤学神经瘤学

背景情况:

• 用于立体射线外科手术 (SRS) 进行大脑转移 (BMs) 的手动轮是耗时且不一致的.
• 深度学习 (DL) 模型正在开发,用于自动化BM检测和细分.
• 对BM任务的不同框架中DL模型的比较分析缺乏.

研究的目的:

• 评估和比较来自各种框架的DL模型的性能,用于T1-对比MRI中的BM检测和细分.
• 评估不同DL架构 (CNN,变压器,Mamba) 对这一临床任务的有效性.

主要方法:

• 八个DL模型 (基于CNN,变压器,Mamba) 在934个T1对比MRI扫描上受过训练和验证.
• 使用医生划分和临床医生指导的修改,建立了基准真相GTV.
• 性能指标包括损伤级别的灵敏度,子相似系数 (DSC),正预测值 (PPV),表面DSC (sDSC) 和豪斯多夫距离95% (HD95).

主要成果:

• 在BM检测方面,U-Mamba (Bot) 获得了最高的损伤级别灵敏度 (0.796),超过了其他模型.
• 用U-Mamba (Enc) (DSC:0.632) 进行细分的性能最好.
• nnU-Netv2显示出瘤边界的优越细分 (sDSC:0.877,HD95:1.770毫米).

结论:

• 在T1-对比MRI中,U-Mamba模型显示出对精确的大脑转移检测和细分的巨大潜力.
• nnU-Netv2在精确的损伤区域细分方面表现出色,这对于治疗计划至关重要.
• 这些发现可以帮助优化SRS.中大脑转移管理的深度学习策略.