Автоматизированная сегментация множественных склерозов от 3D-FLEAR MRI с использованием R2AUNet: Глубокий подход к обучению с повторяющимися остаточными механизмами и механизмами внимания.

Множественный склероз (MS) — прогрессивное неврологическое расстройство, отмеченное демилиническими повреждениями в центральной нервной системе. Хотя МРТ имеет важное значение для диагностирования MS, сегментация ручного повреждения занимает много времени и подвержена колебаниям. В этом исследовании разработан автоматизированный подход к глубокому обучению (DL) для сегментации MS-повреждения с использованием 3D-FLAIR MRI. МЕТОД: Была разработана модель R2AUNet DL, включающая повторяющиеся остаточные блоки и ворота внимания в рамках 3D U-Net. Набор данных включал 112 сканированных МРТ с 95 пациентов MS, собранных в период с 2019 по 2023 год в системе архивных и коммуникационных систем < < Шираз > > (PACS). У всех пациентов был подтвержден диагноз MS, основанный на клинических оценках и критериях McDonald 2017 года, при этом ручные сегменты поражения от экспертов-невралогов были наземной правдой. Эта модель была подготовлена с использованием оптимизированного трубопровода для предварительной обработки (выведение мозга, корректировка поля отклонения, нормализация интенсивности и извлечение 3D патча). Для оценки эффективности использовались коэффициент сходства (ДСК), специфичность, чувствительность, значение F1 и точность. ОЦЕНКА: Предлагаемая модель достигла DSC 0,768 на испытательном комплекте с точностью 0,998, чувствительностью 0,765 и точностью 0,825, демонстрирующей прочные сегментационные характеристики. Качественный анализ подтвердил способность модели точно разграничивать повреждения при одновременном сокращении ложных положительных результатов. ЗАКЛЮЧЕНИЕ: R2AUNet представляет собой надежное и автоматизированное решение для сегментации поражения MS от 3D-FLEAR MRI, обеспечивающее высокую точность и эффективность. Это исследование показывает, что автоматизированная модель DL может обеспечить точную сегментацию MS с использованием только 3D-FLEAR MRI, устраняя потребность в нескольких последовательностях MRI. Это упрощает сбор данных, снижает вычислительную сложность и повышает доступность, особенно в условиях ограниченности ресурсов.