Automatiseret segmentering og volumetri for meningiom ved hjælp af Deep Learning

U-Net-baserede arkitekturer vil blive anvendt på 500 kontrastforstærkede aksiale MR-billeder af forskellige patienter fra en enkelt institution efter manuel segmentering af meningeom, hvoraf 50 blev brugt til testning. Efter forbehandling med Z-isotropificering og intensitetsnormalisering af billeder, 3 U-Net-baserede netværk (2D U-Net, Attention U-Net, 3D U-Net) og 3 nnU-Net-baserede netværk (2D nnU-Net, Attention nnU-Net, 3D nnU-Net) vil blive trænet med meningeom-segmenterede billeder. Til anvendelse på 3D-netværk vil sagittale og koronale billeder blive rekonstrueret ved hjælp af aksiale billeder. Efter forudsigelse vil afskæringen af ​​sandsynlighedsfunktionen, som er en afvejning, blive opnået med Gaussian Mixture Modeling algoritmen ved brug af sandsynlighedsdensitetsfunktionen. Voxelerne med en sandsynlighedsfunktion højere end det, vil endelig blive forudsagt som meningeom. Tumorvolumen beregnes som summen af ​​produktet af segmenteret areal og tykkelse af aksiale billeder. Til præstationsevaluering vil terningelighedskoefficient (DSC), præcision og tilbagekaldelse blive evalueret sammenlignet med manuelt segmenterede voxels til valideringsdatasæt. Resultaterne af volumetrien for hver model vil blive sammenlignet med manuel segmenteringsbaseret volumen gennem Pearsons korrelationsanalyse.