基于端到端深度学习的自动脑MRI运动文物检测与传统的机器学习一样有效,以图像质量指标进行训练
Pál Vakli1, Béla Weiss1, János Szalma1
1Brain Imaging Centre, Research Centre for Natural Sciences, Budapest 1117, Hungary.
Medical image analysis
|June 1, 2023
概括
深度学习和传统的机器学习方法在脑MRI扫描中有效地识别头部运动工件. 这两种方法在对扫描进行临床可用性分类方面表现相似,有助于质量控制.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 在MRI扫描中头部运动器件是大脑研究和临床应用的重大挑战.
- 目前正在开发机器学习方法,用于结构性MRI扫描的自动化质量控制.
- 由于数据需求,深度学习与传统机器学习在MRI中检测运动工件的有效性仍在调查中.
研究的目的:
- 为了比较深度学习和传统机器学习在脑MRI扫描中识别运动工件的性能.
- 用自动化质量控制方法评估结构性MRI扫描的临床可用性.
- 评估深度学习相对于传统机器学习在分类运动损坏的大脑扫描中的相对优势.
主要方法:
- 在不同的运动条件下收集和分析公开可用的T1加权MRI图像和新获取的扫描.
- 一组放射科医生对图像质量进行了评估,以确定其是否具有临床诊断效用.
- 在图像质量指标上开发和训练了一种轻量级的3D卷积神经网络 (CNN) 和支持矢量机器 (SVM).
主要成果:
- 在将MRI扫描分类为临床可用或不可用时,3D CNN实现了94.41%的平衡精度.
- 在相同的分类任务中,SVM 实现了 88.44% 的平衡精度.
- 统计比较显示,CNN和SVM在准确性,错误率或ROC曲线方面没有显著差异.
结论:
- 深度学习和传统的机器学习方法都同样有效地检测大脑MRI中的严重运动工件.
- 端到端的深度学习系统是有效的快速质量控制和评估的诊断实用性在脑MRI.
- 自动化质量控制减少了对MRI分析中大量图像预处理的需求.
