转移学习是基于深度学习的快速4D肝脏MRI重建的关键组成部分
Gino Gulamhussene1, Marko Rak2, Oleksii Bashkanov2
1Otto-von-Guericke University Magdeburg, Faculty of Computer Science, 39106, Magdeburg, Germany. gino.gulamhussene@ovgu.de.
Scientific reports
|July 11, 2023
概括
转移学习和合并显著改善了基于深度学习的4DMRI器官运动重建. 这种方法减少了采集时间并提高了图像质量,使得4DMRI在临床上更加可行.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 时间分辨率的体积4DMRI对于图像导向干预至关重要,但由于分辨率和速度的限制,当前的方法难以处理器官运动.
- 深度学习 (DL) 提供了潜在的解决方案,但面临着领域转移带来的挑战,影响现实世界的适用性.
研究的目的:
- 评估转移学习 (TL) 与组合结合,作为克服基于DL的4DMRI重建中的域转移策略.
- 改善时间和空间分辨率,减少干预环境中4DMRI的重建时间.
主要方法:
- 我们比较了四种DL方法:源预训练,从头开始训练目标,微调和一组微调模型.
- 一个数据集被分为16个源代码和4个目标域主题来评估性能.
- 这项研究侧重于4D器官运动模型,特别是肝脏.
主要成果:
- 与直接学习的模型相比,微调模型组 (N=10) 显示出显著的改进 (P < 0.001).
- 根平均平方误差 (RMSE) 提高了高达12%,平均位移 (MDISP) 提高了高达17.5%.
- 对于较小的目标域数据集,TL + Ens 的好处更为明显.
结论:
- 转移学习与组合结合,有效地减轻了4DMRI重建中的域移动.
- 这一策略显著减少了先前采购的时间,并提高了重建质量.
- TL+Ens是4DMRI在追踪器官运动中的临床可行性的关键进展.
