在同位素和异位素MRI中深度学习的骨盆软组织细分,使用常规T2扫描

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 解剖学的细分 解剖学的细分

背景情况:

• 使用深度学习网络对3D骨盆地形图的自动细分可以提高术前规划和外科导航.
• 在临床实践中常见的无otropic MRI 扫描由于分辨率不均而存在局限性,阻碍了骨盆结构的准确细分.

研究的目的:

• 为了比较深度学习模型的细分性能,这些模型以异型与异型的MRI重建训练了盆腔肌肉和神经组织.
• 评估MRI数据同位素对3D骨盆模型的精度和解剖学准确性的影响.

主要方法:

• 两种nnU-Net模型使用35名直肠癌患者的T2加权MRI扫描进行了训练:一个是基于异构数据,另一个是基于异构重建的体积.
• 模型的性能被评估使用子相似系数 (DSC),交叉与联盟 (IoU),精度,并回忆分段圣神经,阻塞神经和皮形肌.

主要成果:

• 在同位素核磁共振扫描 (MRI) 重建中训练的模型表现出优异的细分性能,特别是在阻塞神经 (DSC:0.76比0.71).
• 两种模型都获得了高的DSC分数,用于piriformis肌肉 (>0.95) 和良好的性能,用于圣骨神经 (>0.86).
• 定性分析显示,与异型模型的粗表面相比,异型模型的解剖学表征更光滑,更自然.

结论:

• 同位体MRI重建提供了更好的细分精度和更解剖学正确的3D盆腔模型.
• 在临床工作流程中支持同位体重建可以提高盆腔MRI的细分精度和效率,有利于术前规划和外科导航.