跳到正文
原文
arXiv · Image and Video Processing· Federico Spagnolo, Po-Jui Lu, Mario Ocampo-Pineda 等 28 人
· 2 天前

SWIMSS:一个用于多发性硬化白质病灶分割的开放多中心 SwinUNETR 模型

SWIMSS: An Open Multi-Center SwinUNETR Model for Multiple Sclerosis White Matter Lesion Segmentation

预印本 · 尚未经过同行评审

AI 导读

SWIMSS 在 1,385 名多发性硬化患者的 MRI 上分割白质病灶,DSC 达 81.37,优于 UNETR、MSSegDiff 和 LST-AI。

摘要 · AI 翻译

目的:在大型多中心多发性硬化症患者(pwMS)队列中,开发并验证 SWIMSS(SWInUNETR for Multiple Sclerosis white matter lesion Segmentation),这是一种基于 SwinUNETR 的深度学习(DL)模型,用于可靠地自动分割白质(WM)病灶。方法:使用来自瑞士七家临床中心的 1,385 名 pwMS 的真实世界纵向数据集,对 SWIMSS 以及两种最先进的 DL 架构 UNETR 和 MSSegDiff 进行训练、验证和测试。还比较了使用 LST-AI 获得的推理结果。预处理后的磁化准备快速采集梯度回波和液体衰减反转恢复 MRI 序列(由各种 MR 系统和场强采集)作为模型输入。模型性能使用 Dice 相似系数(DSC)及 95% 置信区间(CI)进行评估。结果:SWIMSS 取得了最高性能,DSC 为 81.37(95% CI:80.63-82.11),优于 UNETR(79.06;95% CI:78.33-79.79)、MSSegDiff(75.70;95% CI:74.97-76.43)和 LST-AI(63.19;95% CI:62.08-64.30)。归一化 DSC 呈现相似趋势,SWIMSS 达到 84.88。病灶检测 F1 达到 81.14。统计分析证实了其优越性能(p < 0.001)。结论:SWIMSS 在白质病灶分割方面达到了最先进性能。通过公开该模型,我们使高质量分割工具能够被更广泛地获取,让通常缺乏大型标注数据集或计算资源的较小中心也能受益于在多样化、大规模队列上训练的模型。这促进了先进影像分析的更公平获取,并支持 MS 研究的可重复性和标准化。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Image and Video Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。