背景:越来越多地认识到,仅根据常规临床护理得出的完全包容的大规模收集,脑部肿瘤的复杂异质性越来越多。这是当代机器学习可以促进的一项任务,尤其是在神经影像方面,但是它处理在现实世界中临床实践中常见的不完整数据的能力仍然未知。在这里,我们将最新方法应用于大规模的多站点MRI数据,以量化自动化肿瘤分割模型的比较保真度,以复制在临床现实中观察到的各种完整性水平。方法:我们将深度学习(NNU-NET衍生的)肿瘤分割模型与T1,对比增强的T1,T2和Flair Imaging序列的所有可能组合进行了比较,并在2021 Brats-brats-- RSNA胶质瘤人群为1251名患者,并对多样化的50例患者样本进行了测试。结果:经过训练的不完整数据分割病变的模型,通常等效于对完整数据培训的模型,表现为0.907(单个序列)至0.945(完整数据集)的骰子系数(全数据集),而0.701(单个序列)(单个序列)至0.891(完整的数据集中) )用于组件组织类型。不完整的数据分割模型可以在没有对比成像的情况下准确检测增强肿瘤,从而用R2在0.95-0.97之间量化其体积。结论:深度学习分割模型在缺少数据时很好地表征了肿瘤,甚至可以在不使用对比度的情况下检测增强组织。这表明转化为临床实践(不完整的数据是常见的,可能比迄今为止认为的要容易得多,并且在减少对比鲜明使用的依赖性方面可能具有价值。
translated by 谷歌翻译