深度学习,数据提升和不确定性估计用于检测MRI图像的大型,不平衡数据库中的文物

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 磁共振成像 (MRI) 对于识别与神经系统疾病相关的变化至关重要.
• 目前的MRI质量评估依赖于手动检查,这耗时且容易变化.
• 需要自动化文物检测,以高效,可靠地分析大型神经成像数据集.

研究的目的:

• 为大型和不平衡的数据集开发高性能,自动化的MRI文物检测算法.
• 将不确定性量化纳入深度学习模型,用于MRI器件检测.
• 为了应对神经成像数据中阶级不平衡的挑战.

主要方法:

• 在3D AlexNet中使用蒙特卡洛脱落实现了一个随机深度学习算法.
• 利用转移学习的数据扩展来管理大数据集 (34,800次扫描) 中的类不平衡.
• 估计了认识系统和预测器不确定性,以提高检测可靠性.

主要成果:

• 通过数据放缓实现了94.9%的测试准确性,超过了焦点交叉.
• 通过实施认识学不确定性,显著提高了测试准确度至99.5%.
• 证明了将随机不确定性纳入检测管道的可行性.

结论:

• 拟议的随机深度学习方法为大型,不平衡的数据集中的自动化MRI文物检测提供了强大的解决方案.
• 结合认识论和定量论的不确定性,提高了文物检测的可靠性和准确性.
• 这种方法提高了管理神经成像数据库的效率,并排除了被文物污染的数据.