从脑磁共振图像中剥离完全自动化的头骨,使用面具基于RCNN的深度学习神经网络
Humera Azam1, Humera Tariq2, Danish Shehzad3
1Department of Computer Science, University of Karachi, Karachi 75270, Pakistan.
Brain sciences
|September 28, 2023
概括
这项研究介绍了一种使用Mask-RCNN进行脑磁共振图像头骨剥离的自动化深度学习框架. 这种新方法实现了更高的准确性和精度,与传统技术相比,减少了处理时间和成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 头骨剥离对于脑部MRI分析至关重要.
- 传统方法在准确性和自动化方面存在局限性.
- 深度学习,特别是卷积神经网络 (CNN),提供了先进的细分能力.
研究的目的:
- 开发和验证一个完全自动化的深度学习框架,用于骨剥离大脑MRI图像.
- 为了比较拟议的方法的性能与传统的头骨剥离工具.
- 为了提高脑MRI预处理的准确性,精度和效率.
主要方法:
- 实施了一个基于Mask区域的卷积神经网络 (Mask-RCNN) 框架.
- 从头开始使用ResNet-101和特征金字塔网络 (FPN) 骨干训练模型.
- 在三个不同的数据集 (BrainWeb,NAMIC,当地医院) 上与T1加权图像验证了框架.
主要成果:
- 面具-RCNN框架实现了93%的平均精度 (mAP) 和0.95%的内容有效性指数 (CVI).
- 超越了传统的方法,如大脑提取工具 (BET) 和大脑表面提取 (BSE).
- 证明了提高准确性,精度,减少处理时间和运营成本.
结论:
- 拟议的自动化Mask-RCNN框架显著改善了用于大脑MRI图像的头骨剥离.
- 提供了比传统方法更有效,更准确,更具成本效益的替代方案.
- 为未来的医学成像解释性人工智能 (XAI) 研究提供了基础.
