既往检查改善颅脑 MRI 上的自动转移瘤检测
图像与视频处理
2024-03-14 v1 计算机视觉与模式识别
医学物理
定量方法
摘要
材料与方法：首先，评估了一种双时间点方法，为卷积神经网络（CNN）提供初次显示新脑膜转移瘤（MM）的 MRI 序列（诊断 MRI）以及诊断前 MRI 序列：比较了仅纳入对比增强 T1 加权图像（CNNdual_ce）与同时纳入两个时间点的平扫 T1 加权图像、T2 加权图像和 FLAIR 序列（CNNdual_all）的效果。其次，将结果与相应的单时间点方法进行比较，后者仅向 CNN 提供诊断 MRI 的相应序列。通过 5 折交叉验证计算逐病例诊断性能参数。结果：共纳入 94 个病例，包含 494 个 MM。总体而言，仅纳入诊断 MRI 和诊断前 MRI 的对比增强 T1 加权图像（CNNdual_ce，灵敏度 = 73%，阳性预测值 = 25%，F1 分数 = 36%）实现了最高的诊断性能。与纳入对比增强 T1 加权图像之外的其他序列相比，仅使用对比增强 T1 加权图像作为输入显著减少了假阳性（FP）（CNNdual_ce/CNNdual_all 的 FP = 5/7，P < 1e-5）。对比增强双时间点与单时间点方法的比较显示，排除诊断前 MRI 显著增加了假阳性（CNNdual_ce/CNNce 的 FP = 5/10，P < 1e-9）。仅使用平扫序列的方法明显劣于提供了对比增强序列的 CNN。结论：在对比增强 T1 加权图像上进行自动 MM 检测具有高灵敏度。由伪影和血管引起的频繁假阳性通过额外纳入诊断前 MRI 显著减少，但通过纳入对比增强 T1 加权图像之外的其他序列并未减少。未来研究可探讨用于计算机辅助检测的不同变化检测架构。
引用
@article{arxiv.2403.08280,
title = {Pre-examinations Improve Automated Metastases Detection on Cranial MRI},
author = {Katerina Deike-Hofmann and Dorottya Dancs and Daniel Paech and Heinz-Peter Schlemmer and Klaus Maier-Hein and Philipp Bäumer and Alexander Radbruch and Michael Götz},
journal= {arXiv preprint arXiv:2403.08280},
year = {2024}
}