深度学习方法用于使用ACR幻影磁共振图像的自动质量保证
Tarraf Torfeh1, Souha Aouadi2, S A Yoganathan2
1Department of Radiation Oncology, National Center for Cancer Care & Research (NCCCR), Hamad Medical Corporation, Doha, Qatar. ttorfeh@hamad.qa.
BMC medical imaging
|November 29, 2023
概括
深度学习模型有效地自动化磁共振 (MR) 图像质量保证,满足美国放射学学院 (ACR) 的标准. 定制模型在具有挑战性的低对比度测试中表现出卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人工智能和机器学习在医学成像中日益增长的趋势.
- 专注于自动化磁共振 (MR) 图像的质量保证.
- 使用美国放射学学院 (ACR) 标准进行质量评估.
研究的目的:
- 开发和评估用于自动MR图像质量保证的深度学习方法.
- 根据已建立的ACR标准评估性能.
- 比较定制和预训练的深度学习模型.
主要方法:
- 开发和优化定制的卷积神经网络 (CNN) 模型.
- 预先训练的模型 (VGG16,VGG19,ResNet50,InceptionV3,EfficientNetB0,EfficientNetB5) 的培训和测试工作.
- 使用ImageNet数据集探索转移学习;空间分辨率/几何扭曲的两类分类,低对比度的10类分类.
主要成果:
- 深度学习方法有效地提高了MR图像质量保证.
- 所有测试的深度学习模型在几何扭曲和空间分辨率上都实现了>=80%的准确性.
- 定制CNN模型在低对比度测试中表现出色,展示了高准确性,回忆力,精度和F1分数.
结论:
- 深度学习模型对MR图像质量保证非常有效.
- 从头开始的培训模型略高于转移学习.
- 定制CNN显示出强大的适应性和潜力,特别是对于具有挑战性的低对比度评估.
