Автоматическая сегментация и волюметрия менингиомы с использованием глубокого обучения

Архитектуры на основе U-Net будут применены к 500 аксиальным МРТ-изображениям с контрастным усилением различных пациентов из одного учреждения после ручной сегментации менингиомы, 50 из которых использовались для тестирования. После предварительной обработки с Z-изотропией и нормализацией интенсивности изображений были созданы 3 сети на основе U-Net (2D U-Net, Attention U-Net, 3D U-Net) и 3 сети на основе nnU-Net (2D nnU-Net, Attention nnU-Net, 3D nnU-Net) будут обучаться на изображениях с сегментами менингиомы. Для применения к 3D-сетям сагиттальные и коронарные изображения будут реконструированы с использованием аксиальных изображений. После прогнозирования отсечение функции вероятности, которое является компромиссом, будет получено с помощью алгоритма моделирования гауссовой смеси с использованием функции плотности вероятности. Вокселы, имеющие более высокую функцию вероятности, будут окончательно предсказаны как менингиомы. Объем опухоли рассчитывается как сумма произведения сегментированной площади и толщины аксиальных изображений. Для оценки производительности будут оцениваться коэффициент сходства игральных костей (DSC), точность и полнота по сравнению с сегментированными вручную вокселами для проверочных наборов данных. Результаты волюметрии каждой модели будут сравниваться с объемом, основанным на ручной сегментации, с помощью корреляционного анализа Пирсона.