基于深度学习的自动化损伤细分在老鼠中风磁共振图像上的损伤细分
Jeehye An1,2, Leo Wendt3, Georg Wiese3
1Department of Experimental Neurology and Center for Stroke Research, Charité-Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Berlin, Germany.
Scientific reports
|August 16, 2023
概括
我们开发了一种自动化的深度学习方法,用于在小鼠MRI扫描中对缺血性中风病变进行细分. 这种方法显著减少了手工劳动和可变性,在病变检测中实现了高精度和标准化.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 在小鼠MRI中手动细分缺血性中风病变是劳动密集的,容易变化.
- 精确的病变量化对于临床前中风研究至关重要.
研究的目的:
- 开发和验证一种完全自动化的深度学习方法,用于在小鼠T2加权MRI中对缺血性中风病变进行细分.
- 提高病变分析的效率,减少病变分析中病变者之间的和病变者内部的变化.
主要方法:
- 一个端到端的深度学习模型在293个小鼠MRI扫描上进行了训练,用于自动化损伤细分.
- 该模型以最小的预处理处理原始MRI数据.
- 使用Dice系数和病变体积精度对独立数据集的手动细分来评估性能.
主要成果:
- 自动化方法产生了光滑,紧,现实的细分面具.
- 与手动细分达成很高的一致性,超过了先前研究中报道的评级者之间的可靠性.
- 在具有不同成像特征的独立数据集上表现出强大的性能.
结论:
- 完全自动化的深度学习为鼠标中风模型中手动病变细分提供了标准化和高效的替代方案.
- 这种方法有可能减少偏见,并提高跨研究和机构的可复制性.
- 允许在临床前研究中更可靠地量化缺血性中风病变.
