评估深度学习模型用于MR频谱的质量控制
Sana Vaziri1, Huawei Liu1, Emily Xie1
1Department of Radiology and Biomedical Imaging, University of California, San Francisco, San Francisco, CA, United States.
Frontiers in neuroscience
|September 14, 2023
概括
机器学习模型准确地自动化了3DMR光谱成像 (MRSI) 的质量控制,大大缩短了解释时间. 这些模型对分析神经疾病和脑瘤中的代谢状况有前途.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学数据分析
背景情况:
- 三维MRI光谱成像 (MRSI) 提供了有价值的空间代谢数据,但面临临临床翻译挑战.
- 语音智能质量控制 (QC) 对于MRSI解释至关重要,但是一个耗时的手动过程.
研究的目的:
- 为了评估机器学习 (ML) 模型对3D MRSI光谱的自动化QC过的准确性.
- 评估各种ML模型的性能,包括随机森林 (RF),卷积神经网络 (CNN) 和初始CNN (ICNN),在健康和患者数据集上.
主要方法:
- 在53个3DMRSI数据集 (30个神经疾病,13个脑瘤,10个健康对照) 上训练并测试了三个ML模型 (RF,CNN,ICNN) 和两个混合模型 (CNN+RF,ICNN+RF).
- 使用MRSI专家手工策划的QC标签进行模型培训.
- 采用正常化和切割的实值光谱作为输入,并采用交叉验证方法对数据集分区.
主要成果:
- 所有评估的ML模型都实现了高性能,最低AUC为0.964和精度为0.910.
- 在神经疾病和控制数据集 (AUC 0.982) 中,CNN模型表现优异,而在脑瘤数据集 (AUC 0.976) 中,射频模型表现出色.
- 自动化QC推断时间减少到每组数据的几秒钟,这与手动标签相比显著改进.
结论:
- 机器学习模型为3D MRSI数据提供准确和快速的自动化QC.
- 证明的性能,特别是在瘤数据集中,突显了ML对各种代谢条件的广泛适用性,并有助于临床翻译.
