在MRI图像中通过条件生成对抗网络进行概率性大脑提取

科学领域:

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

背景情况:

• 脑部提取对于神经成像应用,如体积量化和疾病监测至关重要.
• 现有的深度学习方法提高了准确性,但没有解决预测不确定性.
• 量化大脑提取的不确定性对于可靠的下游分析至关重要.

研究的目的:

• 开发一种新的概率深度学习算法来提取大脑,以量化不确定性.
• 重构脑抽取作为贝叶斯推理问题,可以用条件生成对抗网络 (cGAN) 解决.

主要方法:

• 使用cGAN,生成器将MRI头部图像作为输入,并输出多个可信的大脑图像.
• 创建了一个像素智能平均图像用于脑抽取和一个标准偏差图像来量化预测不确定性.
• 在不同数据集 (NFBS,CC359,LPBA,IBSR) 上测试了算法,具有异质成像因子.

主要成果:

• 与标准工具相比,提出的概率方法显示出更高的准确性和稳定性.
• 实现了与现有的深度学习方法可比的准确性,同时还提供了不确定性量化.
• 突出了神经成像应用中不确定性量化的价值.

结论:

• 新的概率深度学习方法有效地执行脑部提取并量化预测不确定性.
• 这种方法为现有的脑部提取技术提供了更强大,更有信息的替代方案.
• 量化不确定性对于提高神经成像研究的可靠性和可解释性至关重要.