在脑瘤中处理缺失的MRI数据分类任务:合成图像与合成图像的使用. 复制图像和空图像的复制图像

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 深度学习模型对于医学成像中的病变分类至关重要.
• 临床数据集经常缺少MRI数据,阻碍AI模型的性能.
• 需要新的策略来解决人工智能驱动的医学诊断中的数据缺口.

研究的目的:

• 评估使用生成,重复或黑色图像来替代缺失的MRI数据的有效性.
• 评估这些归算方法对基于人工智能的脑瘤分类准确性的影响.
• 在深度学习任务中确定处理缺失MRI扫描的最佳策略.

主要方法:

• 一项回顾性研究使用了当地和公共 (BraTS) 数据集,分别包括224名和335名患者.
• 三个Pix2Pix生成对抗网络 (GAN) 模型被训练来生成T1WI,T2WI和FLAIRMRI序列.
• 使用Resnet152评估了分类性能,比较了基线,生成,重复和黑色图像赋值方法.

主要成果:

• 生成的图像与原来的MRI图像具有很高的相似性 (PSNR: 35.65/32.94,SSIM: 0.87/0.91).
• 人类读者认定39%的生成图像是真实的.
• 人工智能分类准确度在生成图像 (0.91/0.82) 中最高,超过重复 (0.85/0.79) 和黑色图像 (0.77/0.68).

结论:

• Pix2Pix-GAN生成的图像可用于在AI分类模型中赋予缺少的MRI数据.
• 这种方法证明了独立数据集的稳定性和概括能力.
• 生成的图像归算提供了一个强大的解决方案,用于提高AI模型的性能与不完整的临床数据.