研究一种高效的多模态卷积神经网络,用于多发性硬化症病变检测
Florian Raab1, Wilhelm Malloni2, Simon Wein3,2
1Computational Intelligence and Machine Learning Group, University of Regensburg, 93051, Regensburg, Germany. Florian.Raab@ukr.de.
Scientific reports
|November 30, 2023
概括
这项研究引入了一种自动化的2D机器学习方法,用于在脑MRI扫描中快速准确地对多发性硬化症 (MS) 病变进行细分. 基于U-Net的方法实现了最高性能,优于3D方法并运行在标准硬件上.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 在MRI中多发性硬化症 (MS) 病变细分对于诊断和监测至关重要.
- 通过多模态MRI (mmMRI) 精确细分MS病变存在重大挑战.
- 现有的自动化方法可能缺乏不同扫描仪的速度,精度或适应性.
研究的目的:
- 开发和评估一种自动化的2D机器学习方法,以从mmMRI中快速精确地对MS病变进行细分.
- 为了利用类似于U-Net的卷积神经网络 (CNN) 架构进行基于切片的细分.
- 评估公开数据集上的拟议方法的性能和稳定性.
主要方法:
- 像CNN这样的自动化二维U-Net被设计用于基于切片的脑MRI卷的细分.
- 个别的MRI模式在单独的下方样本分支中被处理,没有重量共享.
- 跳过连接和多尺度的功能融合/upsampling块被纳入以提高功能利用率.
主要成果:
- 拟议的2D CNN架构在ISBI 2015年MS病变细分挑战中实现了顶级性能.
- 该方法在不需要后处理的情况下超过了最先进的3D方法.
- 该方法证明了对扫描仪变化的稳定性和适应不同扫描仪的适应性.
结论:
- 开发的自动化2D机器学习方法从mmMRI提供快速而精确的MS病变细分.
- 基于U-Net的CNN是现有的细分技术的可行和高性能替代方案.
- 该系统高效,强大,可在标准硬件上部署,促进更广泛的临床应用.
