伪标签辅助nnU-Net可以从单个采集中自动细分7TMRI
Corinne Donnay1, Henry Dieckhaus2, Charidimos Tsagkas1
1Translational Neuroradiology Section, National Institute of Neurological Disorders and Stroke (NINDS), National Institutes of Health, Bethesda, MD, United States.
Frontiers in neuroimaging
|December 18, 2023
概括
深度学习方法,特别是伪标签辅助nnU-Net (PLAn),在多发性硬化症 (MS) 患者的7T核磁共振时显示出改善的自动大脑和病变细分. 与其他技术相比,PLAn显著提高了病变检测的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 7T MRI提供高分辨率,但由于人工制造物,在自动大脑和病变细分方面面临挑战.
- 正在探索深度学习 (D/L) 算法,以克服在多发性硬化症 (MS) 研究中的这些细分障碍.
研究的目的:
- 开发和验证深度学习模型,以在7TMRI上准确地对整个大脑和病变进行细分.
- 评估一种新的3T到7T转移学习方法 (PLAn) 对MS病变检测的有效性.
主要方法:
- 在MS患者的3T和7TMP2RAGEMRI扫描上比较了FreeSurfer,C-DEF,nnU-Net和PLAn.
- 使用3T到7T转移学习方法 (PLAn) 进行细分,对第1队列进行培训,并对第2队列进行验证,并使用专家注释.
- 使用视觉评分和子相似系数 (DSC) 评估细分性能.
主要成果:
- nnU-Net和PLAn在7T表现出优越的组织细分.
- 在病变检测方面,PLAn显著优于nnU-Net,在病变DSC中实现了16%的改善.
- 使用3T伪标签转移学习增强了7T病变检测能力.
结论:
- 该PLAn方法显示显著的希望,以改善自动损伤细分在7TMRI的MS患者.
- 转移学习是一种可行的策略,可以解决数据的局限性,并提高神经成像分析的D/L模型性能.
