Automatisert segmentering og volumetri for meningiom ved hjelp av dyp læring

U-Net-baserte arkitekturer vil bli brukt på 500 kontrastforsterkede aksiale MR-bilder av forskjellige pasienter fra en enkelt institusjon etter manuell segmentering av meningeom, hvorav 50 ble brukt til testing. Etter forbehandling med Z-isotropifisering og intensitetsnormalisering av bilder, 3 U-Net-baserte nettverk (2D U-Net, Attention U-Net, 3D U-Net) og 3 nnU-Net-baserte nettverk (2D nnU-Net, Attention nnU-Net, 3D nnU-Net) vil trenes med meningeom-segmenterte bilder. For bruk på 3D-nettverk vil sagittale og koronale bilder bli rekonstruert ved hjelp av aksiale bilder. Etter prediksjon vil avskjæringen av sannsynlighetsfunksjonen, som er en avveining, oppnås med Gaussian Mixture Modeling-algoritmen ved bruk av sannsynlighetstetthetsfunksjonen. Voxelene som har en sannsynlighetsfunksjon høyere enn det, vil til slutt bli spådd som meningeom. Tumorvolum beregnes som summen av produktet av segmentert areal og tykkelse på aksiale bilder. For ytelsesevaluering vil terninglikhetskoeffisient (DSC), presisjon og tilbakekalling bli evaluert sammenlignet med manuelt segmenterte voksler for valideringsdatasett. Resultatene av volumetrien til hver modell vil bli sammenlignet med manuell segmenteringsbasert volum gjennom Pearsons korrelasjonsanalyse.