基于人工智能从非对比MRI预测脑肿瘤增强
图像与视频处理
2026-02-10 v2 计算机视觉与模式识别
定量方法
摘要
脑肿瘤影像评估通常需要对比前后MRI，但佩尔康剂在频繁随访、肾功能不全、过敏或儿童患者时并非总是理想。我们旨在开发和验证一种深度学习模型，能够仅从非对比MRI序列预测脑肿瘤增强。我们汇集了来自10个国际数据集的11089例脑MRI研究，涵盖成人和儿童人群，包括 various neuro-oncological states，如脑腺瘤、脑膜瘤、转移瘤以及手术后表现。深度学习模型(nnU-Net, SegResNet, SwinUNETR)被训练仅使用非对比T1、T2和T2/FLAIR加权图像预测和分割增强肿瘤。性能在1109例保留测试患者身上进行评估，使用患者水平检测指标和体素水平分割准确性。模型预测与11名专科放射科医师的比较，后者每位审阅100名随机选取的患者。最佳表现nnU-Net在检测增强肿瘤方面实现83%平衡准确率、91.5%灵敏度和74.4%特异度。增强体积预测与真实值高度相关(R2 0.859)。该模型超越了专科放射科医师，后者实现69.8%准确率、75.9%灵敏度和64.7%特异度。在76.8%的测试患者中Dice系数超过0.3(可接受检测)，67.5%的患者Dice系数超过0.5(良好检测)，50.2%的患者Dice系数超过0.7(优秀检测)。深度学习能够以临床相关的性能从非对比MRI识别增强脑肿瘤。这些模型作为筛查工具并减少神经内科影像中的佩尔康剂依赖性具有前景。未来的工作应评估临床实用性。
引用
@article{arxiv.2508.16650,
title = {Predicting brain tumour enhancement from non-contrast MR imaging with artificial intelligence},
author = {James K Ruffle and Samia Mohinta and Guilherme Pombo and Asthik Biswas and Alan Campbell and Indran Davagnanam and David Doig and Ahmed Hammam and Harpreet Hyare and Farrah Jabeen and Emma Lim and Dermot Mallon and Stephanie Owen and Sophie Wilkinson and Sebastian Brandner and Parashkev Nachev},
journal= {arXiv preprint arXiv:2508.16650},
year = {2026}
}
备注
38 pages