大脑MRI对抗算法的影响大脑年龄预测通过3D卷积神经网络

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
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 在多个地点的研究中,3D结构性MRI扫描经常被破坏,以保护患者的隐私.
• 面旨在去除面部组织,同时保留关键的大脑数据.
• 深度学习,特别是CNN,在医学成像中越来越多地用于诊断和预后.

研究的目的:

• 评估四种流行的破坏方法对大脑年龄预测准确性的影响.
• 为了比较从损坏的MRI与完整的大脑/面部数据中的大脑年龄预测.
• 用CNNs评估面部区域对时间年龄的预测能力.

主要方法:

• 四个常见的破坏算法应用于3D T1加权的大脑MRI.
• 大脑年龄的预测是在损坏的扫描,大脑提取的扫描和脑和面部扫描上进行的.
• 卷积神经网络 (CNN) 用于从面部区域预测年龄,并可视化重要区域.

主要成果:

• 在破坏算法之间观察到每个主体错误率的显著差异.
• 发现大脑年龄预测的准确性取决于所使用的破坏方法.
• 与大脑图像相比,CNN在预测面部区域的时间年龄方面取得了更高的准确性.

结论:

• 目前神经成像中的破坏实践可能无意中删除对某些预测任务至关重要的数据,例如大脑年龄估计.
• 选择染算法显著影响后续分析的可靠性.
• 面部数据对时间学年龄具有实质性的预测价值,这表明需要重新评估医疗图像分析中的破坏协议.