从学习到深度学习:统计和选择UNet架构的范式测试,以增强MRI
Rishabh Sharma1, Panagiotis Tsiamyrtzis2,3, Andrew G Webb4
1Medical Robotics and Imaging Lab, Department of Computer Science, 501, Philip G. Hoffman Hall, University of Houston, 4800 Calhoun Road, Houston, TX, 77204, USA.
Magma (New York, N.Y.)
|November 22, 2023
概括
混合效应模型 (MEM) 分析显示了MRI深度学习模型训练参数的统计意义,与ANOVA不同. 这突显了先进的统计方法对于医学成像中准确的深度学习模型比较的重要性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 统计分析 统计分析
背景情况:
- 低信号噪声比 (SNR) 和低样本MRI在图像质量方面存在挑战.
- 深度学习模型,如密集的UNets (DUNets),显示了增强MRI的希望.
- 对比不同配置的深度学习模型需要强大的统计验证.
研究的目的:
- 在240密集的UNets (DUNets) 中对低SNR和低样本MRI的训练参数进行统计评估.
- 确定DUNet配置之间的差异的有效性及其对图像质量的影响.
- 为了比较差异分析 (ANOVA) 和混合效应模型 (MEM) 在揭示参数显著性的有效性.
主要方法:
- 训练了240个DUNet,其中包括5个获取协议的变化,24个损失函数权重和2个基本真理.
- 在所有模型中利用了一致的学习率和时代.
- 应用ANOVA和MEM来评估参数的统计意义及其对图像质量指标的相互作用.
主要成果:
- 对于大多数固定变量,除了采购协议外,ANOVA表示统计无意义.
- MEM分析显示所有固定的参数及其相互作用的统计学意义.
- 与ANOVA相比,MEM显示出更高的检测细微差异的能力.
结论:
- 适当的统计分析对于比较医学成像中的深度学习模型至关重要.
- 联网架构有效地增强了各种MRI采集协议.
- 这项研究促进了医疗成像深度学习的透明度和可比性.
