深度学习实现多序列MRI上脑转移的自动检测与分割
图像与视频处理
2019-12-30 v1 机器学习
机器学习
摘要
对许多放射科医生而言，检测和分割脑转移灶是一项繁琐且耗时的任务，尤其是在多序列3D成像日益普及的情况下。本研究展示了一种基于全卷积神经网络（CNN）的深度学习方法，用于多序列MRI上脑转移的自动检测与分割。在这项回顾性研究中，共纳入156例来自多种原发癌的脑转移患者。治疗前MR图像（1.5T和3T）包括钆剂前和钆剂后T1加权3D快速自旋回波、钆剂后T1加权3D轴位IR预准备FSPGR，以及3D液体衰减反转恢复序列。金标准由两名经验丰富的神经放射科医生手动勾画确定。CNN训练/开发分别使用100例和5例患者，采用基于GoogLeNet架构的2.5D网络。结果在51例患者中评估，这些患者被均分为少量（1-3个）、多个（4-10个）和大量（>10个）病灶组。网络性能使用精确率、召回率、Dice/F1分数和ROC曲线统计量进行评估。在最优概率阈值下，按每个转移灶评估检测和分割性能。所有患者平均的ROC曲线下面积（AUC）为0.98。在亚组中，患有1-3、4-10和>10个转移灶患者的AUC分别为0.99、0.97和0.97。使用由开发集确定的平均最优概率阈值，精确率、召回率和Dice分数分别为0.79、0.53和0.79。在相同概率阈值下，网络显示平均假阳性率为8.3/患者（无病灶大小限制）和3.4/患者（10 mm3病灶大小限制）。总之，使用多序列MRI的深度学习方法可辅助脑转移的检测与分割。
引用
@article{arxiv.1903.07988,
title = {Deep Learning Enables Automatic Detection and Segmentation of Brain Metastases on Multi-Sequence MRI},
author = {Endre Grøvik and Darvin Yi and Michael Iv and Elisabeth Tong and Daniel L. Rubin and Greg Zaharchuk},
journal= {arXiv preprint arXiv:1903.07988},
year = {2019}
}