ROOD-MRI:对深度学习细分模型的稳定性进行基准测试,以与MRI中的分布外和受损数据进行比较

科学领域:

• 医疗图像分析 医学图像分析
• 神经成像是一种神经成像.
• 人工智能的人工智能是人工智能.

背景情况:

• 深度人工神经网络 (DNN) 在医学图像分析方面表现出色,但易受不同扫描仪和协议的数据分布转移的影响.
• 现有的神经图像分析缺乏标准化的平台和可访问的数据集,以评估DNN对这些现实世界的变化的稳定性.
• 磁共振成像 (MRI) 数据的变化对在临床环境中可靠部署DNN构成了重大挑战.

研究的目的:

• 引入ROOD-MRI,这是一个用于对DNN与OOD数据,腐败和MRI中文物的稳定性进行基准测试的新平台.
• 为生成模拟现实世界分布变化的多种MRI基准测试数据集提供工具.
• 在具有挑战性的条件下建立新的指标和方法来评估DNN在细分任务中的性能.

主要方法:

• 开发了ROOD-MRI,这是一个灵活的平台,用于生成数据集的模块,使用MRI特定的转换和对图像细分的基准指标.
• 在大型研究中将该方法应用于海马,心室和白质超强度细分任务.
• 公开发布海马数据集作为研究社区的开放基准.

主要成果:

• 评估了现代DNN,证明了对MRI数据中的分布转移和腐败的高度易感性.
• 发现数据增强可以提高解剖细分的稳定性,但不能用于具有挑战性的基于病变的任务.
• 基准U-Nets和视觉转换器,识别特定架构对某些数据转换的特定漏洞.

结论:

• 在MRI分析中,DNN表现出显著的稳定性限制,特别是在OOD数据和文物中.
• ROOD-MRI提供了一个重要的开源框架,用于开发更强大的DNN用于神经成像.
• 未来的研究应该集中在模型设计策略上,以提高DNN对不同MRI数据特征的弹性.