MRI扫描中检测颈脊髓压迫的深度学习模型

A deep learning model for detection of cervical spinal cord compression in MRI scans

简单总结
目的：在MRI扫描中检测颈脊髓压迫
方法：深度学习模型
label：“受压” 和 “未受压”

摘要

脊髓受压的磁共振成像（MRI）证据在退行性颈椎病（DCM）的诊断中起着核心作用。人们越来越认识到，深度学习模型可能有助于解决不断增加的医学影像数据量，并提供初级保健环境中收集的图像的初步解释。我们的目的是开发和验证一个用于在MRI扫描中检测颈脊髓压迫的深度学习模型。作为AO脊柱CSM-NA或CSM-I前瞻性队列研究的一部分，接受DCM手术的患者包括在我们的研究中。将患者分为训练/验证或坚持数据集。图像由两位专科医生标记。我们使用来自训练/验证数据集的图像来训练深度卷积神经网络，并在保持数据集上评估模型性能。培训/验证队列包括201名患者，共6588张图像，坚持数据集包括88名患者，共2991张图像。在坚持数据集上，深度学习模型的总体AUC为0。94，灵敏度为0。88，特异性为0。89分，f1成绩为0分。82该模型可以提高颈椎MRI扫描解释的效率和客观性。

图二：典型的轴位T2加权的MRI图像显示（A）无脊髓压迫，（B）部分脊髓压迫，（C）脊髓周向压迫。

数据做标签

两名资深的神经外科住院医师，每个人都有> 4年的颈椎MRI扫描解释经验，独立检查来自训练/验证和坚持数据集的每个轴向t2加权图像。标签被给予了完整的分辨率(在降采样到299 × 299之前)的JPEG图像来审查，每个图像没有时间限制。脊髓压迫定义为来自外部组织(椎间盘、韧带或骨)的脊髓实质的任何凹陷、压扁、扭转或周向压迫(图2)。评分者被提供书面指示，并被指示以二进制方式标记图像。任何有部分或周向脊髓受压迹象的图像都被标记为“受压”，而这些定性标准不存在的图像则被标记为“未受压”。
比较了两个标签所分配的标签，生成了评分者间可靠性的科恩kappa度量。如果两个标签商意见不一致，两个标签商会一起审查这些图片，经过一段时间的讨论后决定最终的标签。调解分歧后的最后一组标签被作为ground-truth标签集。

图3：卷积神经网络模型体系结构概述。卷积层(橙色)来自于Resnet-50模型，而全连接层为我们的分类任务进行了修改。如所示，测试了七个独立的模型配置。