MedElevator
Войти в исследования Novel Convolutional Neural Network for Automated Multical Sclerosis Brain Lesion Сегментация.
Аннотация
ОКРУЖАЮЩАЯ СРЕДА И
ЦЕЛЬ
Оценка повреждений головного мозга на магнитно-резонансных изображениях (MRI) имеет решающее значение для исследований в области множественных склерозов (MS). Сегментация вручную занимает много времени и является непоследовательной. Мы поставили перед собой цель разработать автоматизированный алгоритм сегментации MS-повреждения для MRI, взвешенного на Т2 инверсионного восстановления (FLAIR).
МЕТОДЫ
Мы разработали FLAIR Lission Analysis in Multial Sclerosis (FLAMES) — основанный на глубоком обучении алгоритм сегментации MS-повреждения на основе U-Net 3D с полным разрешением U-Net и прошли подготовку по 668 сканированию FLAIR 1,5 и 3 тесла от лиц, имеющих MS. FLAMES оценивалась по трем внешним наборам данных: MSSEG-2 (n = 14), MSLesSeg (n = 51) и клинической когорте (n = 10) по сравнению с SAMSEG, LST-LPA и LST-AI. Эффективность оценивалась в качественном отношении двумя слепыми экспертами и в количественном отношении путем сопоставления автоматизированных и наземных масок для установления истины с использованием стандартных показателей сегментации. МЕРОПРИЯТИЯ: В ходе слепого качественного обзора 20 сканировок оба рейтингера выбрали FLAMES в качестве наиболее точной сегментации в 15 случаях, при этом один рейфер предпочитает FLAMES в двух дополнительных случаях. Во всех пробных наборах данных FLAMES достигла среднего балла Dice 0,74, действительно положительного показателя 0,84 и показателя F1 в 0,78, неизменно превосходящего базовый уровень. Для других показателей, включая положительное прогнозное значение, относительную разницу по объему и ложную положительную скорость, FLAMES функционировала аналогично или лучше, чем эталонные методы. Большинство повреждений, пропущенных FLAMES, были менее 10 мм3, в то время как эталонные методы не допускали более крупных повреждений в дополнение к более мелким.
ВЫВОДЫ
FLAMES представляет собой точный, надежный метод сегментации MS-повреждения, который превышает другие общедоступные методы.
Название и аннотация на языке оригинала
A Novel Convolutional Neural Network for Automated Multiple Sclerosis Brain Lesion Segmentation.
BACKGROUND AND PURPOSE: Assessment of brain lesions on magnetic resonance imaging (MRI) is crucial for research in multiple sclerosis (MS). Manual segmentation is time-consuming and inconsistent. We aimed to develop an automated MS lesion segmentation algorithm for T2-weighted fluid-attenuated inversion recovery (FLAIR) MRI.
METHODS
We developed FLAIR Lesion Analysis in Multiple Sclerosis (FLAMeS), a deep learning-based MS lesion segmentation algorithm based on the nnU-Net 3D full-resolution U-Net and trained on 668 FLAIR 1.5 and 3 tesla scans from persons with MS. FLAMeS was evaluated on three external datasets: MSSEG-2 (n = 14), MSLesSeg (n = 51), and a clinical cohort (n = 10), and compared to SAMSEG, LST-LPA, and LST-AI. Performance was assessed qualitatively by two blinded experts and quantitatively by comparing automated and ground truth lesion masks using standard segmentation metrics.
RESULTS
In a blinded qualitative review of 20 scans, both raters selected FLAMeS as the most accurate segmentation in 15 cases, with one rater favoring FLAMeS in two additional cases. Across all testing datasets, FLAMeS achieved a mean Dice score of 0.74, a true positive rate of 0.84, and an F1 score of 0.78, consistently outperforming the benchmark methods. For other metrics, including positive predictive value, relative volume difference, and false positive rate, FLAMeS performed similarly to or better than benchmark methods. Most lesions missed by FLAMeS were smaller than 10 mm3, whereas the benchmark methods missed larger lesions in addition to smaller ones.
CONCLUSIONS
FLAMeS is an accurate, robust method for MS lesion segmentation that outperforms other publicly available methods.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.