从使用2D投影的3DMRI卷中有效预测大脑年龄.

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 神经科学研究研究的神经科学研究.

背景情况:

• 3D卷积神经网络 (CNN) 对于高分辨率的医疗体积来说是计算密集的.
• 像英国生物银行这样的大型数据集对3D CNN分析构成重大硬件挑战.
• 有效的分析方法对于大规模的医学研究至关重要.

研究的目的:

• 开发一种计算效率高的方法,用大脑体积来预测年龄.
• 评估在预测的3D大脑数据上使用二维CNN的可行性.
• 为了使具有有限硬件资源的大型数据集的年龄预测分析.

主要方法:

• 利用2D CNNs应用于3D大脑体积的2D投影 (平均值和标准偏差).
• 投影是通过轴切片,斜切片和冠状切片得出的.
• 在大型数据集上评估性能,将速度和准确性与3D CNNs进行比较.

主要成果:

• 实现了合理的测试准确度来预测年龄 (平均绝对误差为3.5年).
• 证明了显著的加快速度:一个训练时代与20324个受试者只需要20-50秒的单个GPU.
• 这种二维投影方法比小型3D CNN快两倍.

结论:

• 在预测的3D大脑体积上使用的2D CNN为3D CNN提供了一个计算效率高的替代方案.
• 这种方法使得对缺乏昂贵的GPU硬件的研究人员来说,大脑体积分析具有民主性.
• 这些发现促进了大规模的神经成像研究,例如英国生物银行内的研究.