急性深部感染MRI:深度学习细分和后水体积的临床相关性

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:

• 在MRI上呈现的逆胀 (RPE) 与急性部感染的严重程度有关.
• 需要定量成像生物标志物来客观评估疾病.

研究的目的:

• 为了评估尾胀 (RPE) 容量作为急性部感染严重性的定量标记.
• 开发和验证深度学习 (DL) 模型,用于自动化的 RPE 卷细分.

主要方法:

• 从244名患者的T2加权脂肪抑制的迪克森MRI图像中手动细分RPE体积.
• RPE体积与临床变量 (ICU入院,CRP,瘤大小,LOS) 的相关性.
• 训练一个卷积神经网络 (CNN) 使用手动细分的面具进行自动细分.

主要成果:

• 在需要ICU入院的患者中观察到较高的RPE体积.
• 对于ICU入院预测,RPE数量显著超过了二进制RPE分类.
• RPE体积与住院时间,CRP水平和最大腹直径有正相关性.
• 在DL模型中,高AUROC (98.2%) 在形切片中实现了高AUROC (98.2%),在轴切片中实现了0.534的Dice相似系数.

结论:

• RPE体积作为急性部感染的有前途的定量成像生物标志物,与临床结果相关.
• 开发的基于DL的模型可以实现自动化RPE体积量化,支持其潜在的临床实用性.
• 自动细分提供了适度的定量测量,与其他医疗成像细分任务相比.