深度学习技术的验证,用于扩散MRI的质量增强,用于临床研究
Santiago Aja-Fernández1, Carmen Martín-Martín1, Álvaro Planchuelo-Gómez2
1Laboratorio de Procesado de Imagen (LPI), ETSI Telecomunicación, Universidad de Valladolid, Spain.
NeuroImage. Clinical
|August 12, 2023
概括
在扩散MRI (dMRI) 中的深度学习 (DL) 显示出增强数据质量的承诺,但有可能引入错误的阳性结果. 在将AI应用于各种临床数据时建议谨慎,以避免改变关键信息.
科学领域:
- 医疗成像医学成像
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 扩散MRI (dMRI) 对于白质分析至关重要.
- 在dMRI中降低梯度方向可能会影响临床发现,正如在偏头痛研究中所见.
- 深度学习 (DL) 和人工智能 (AI) 提供了提高dMRI数据质量的潜力.
研究的目的:
- 评估DL技术,以改善dMRI在临床应用中的质量.
- 评估医学成像中的AI是否导致临床信息的丢失或引入.
- 调查dMRI中角分辨率降低对偏头痛患者分类的影响.
主要方法:
- 14个团队使用DL来从21个梯度方向的数据中增强dMRI指标 (FA,AD,MD).
- 目标是实现与61个梯度方向的数据可比的结果.
- 评估使用图像质量指标和基于导管的空间统计 (TBSS) 进行偏头痛患者的比较.
主要成果:
- 大多数DL技术改善了发作性和慢性偏头痛组之间的统计差异的检测.
- DL方法增加了假阳性,新真假阳性之间有线性关系.
- 性能不同,一些方法显示偏差,无法复制原始数据分布.
结论:
- DL可以增强dMRI数据,但存在引入错误阳性结果的风险.
- 在不同的临床队伍中对AI任务进行概括需要谨慎,因为可能会改变数据.
- 在临床研究中使用人工智能进行协调或合成时,需要非常小心使用异质数据.
