根据MRI序列,瘤类型和位置进行基于深度学习的软组织肉瘤细分的性能
Linkai Peng1, Laetitia Perronne1, Nicolò Gennaro1
1Department of Radiology, Northwestern University Feinberg School of Medicine, Chicago, IL, USA.
Skeletal radiology
|March 3, 2026
概括
深度学习模型在MRI上准确地细分软组织肉瘤 (STS). 对于STS细分的模型性能取决于MRI序列,瘤位置和组织学,T1序列通常是最佳的.
科学领域:
- 医学成像医学成像
- 人工智能在瘤学中的应用
- 进行外科手术的计划.
背景情况:
- 软组织肉瘤 (STS) 是一种罕见且多样化的瘤.
- 在手术前MRI上精确的STS细分对于手术规划至关重要.
- 深度学习 (DL) 为自动化细分提供了潜力.
研究的目的:
- 评估DL模型的准确性,用于在手术前MRI上自动化STS细分.
- 评估不同MRI序列,解剖位置和组织学亚型对模型性能的影响.
主要方法:
- 追溯分析299个STS患者的MRI (2004-2022年).
- 在脂肪抑制的T1加权和T2加权序列上手动细分瘤.
- 训练和评估每个序列和组合的单独的3D nnU-Net模型,使用Dice,F2分数,ASSD和HD95指标.
主要成果:
- 单序T1模型在STS细分方面表现优于多模式方法.
- T1轴模型显示出最好的体积精度 (F2 0.91),而T1斜边形在边界划分方面表现出色 (ASSD 2.1 mm,HD95 4.3 mm).
- 最佳序列因解剖部位 (四肢T1,腹部/骨盆T2) 和组织学 (神经纤维肉瘤最高,乳腺肉瘤最低) 而有所不同.
结论:
- 深度学习模型在软组织肉瘤细分方面表现出高精度.
- 模型的性能受到瘤位置和组织学亚型的显著影响.
- 对于STS细分,T1加权的MRI序列往往优于STS细分,而多模融合并没有始终改善结果.
