机构名称：
¥ 1.0
摘要：在这项研究中，我们使用深度学习模型（DL）开发了一种自动化的工作流，以测量胎儿脑MRI线性线性的侧心室，随后将其分类为正常或心室肿瘤，将其定义为thalamus and perlex perlex perlex peles anf the Teplect and dice。为实现这一目标，我们首先使用公共数据集（FETA 2022）训练了基于UNET的深度学习模型，将胎儿的大脑分为七个不同的组织类别（FETA 2022）。然后，开发了自动工作流，用于在丘脑和脉络膜丛的水平上进行侧心测量。测试数据集包括22例正常和异常T2加权的胎儿脑MRI。将通过我们的AI模型进行的测量与一般放射科医生和神经放射科医生进行的手动测量进行了比较。AI模型将95％的胎儿脑MRI病例正确分类为正常或心室肿瘤。它可以在95％的病例中测量横向心室直径，而误差小于1.7 mm。在AI与普通放射学家中，测量值之间的平均差异为0.90 mm，AI与神经放射学家中的平均差异为0.82 mm，这与两位放射科医生之间的差异相当，为0.51 mm。此外，AI模型还使研究人员能够创建3D重建的图像，该图像比2D图像更好地表示实际解剖结构。执行手动测量时，它也可以仅以一个切割而不是两个。相比之下，普通放射学家与神经放射学家之间的差异在统计学上是显着的（p = 0.0043）。一般放射科医生与算法之间的测量差异（p = 0.9827），神经放射科医生和算法之间的测量差异（p = 0.2378）在统计学上并不重要。据我们所知，这是第一项研究，该研究使用基于人工智能方法的3D模型对心室肿瘤进行2D线性测量。本文提出了一种基于多个放射学标准设计AI模型的分步方法。总体而言，这项研究表明，AI可以自动计算胎儿脑MRIS中的侧心，并将其准确地分类为异常或正常。
胎儿脑MRI中的自动心室肿大检测
主要关键词
相关文件推荐
