基于深度学习的脑MRI序列的识别,使用在大型多中心研究队列上训练的模型.
Mustafa Ahmed Mahmutoglu1, Chandrakanth Jayachandran Preetha1, Hagen Meredig1
1From the Department of Neuroradiology (M.A.M., C.J.P., H.M., M.B., G.B., P.V.), Department of Neuroradiology, Division for Computational Neuroimaging (M.A.M., C.J.P., H.M., G.B., P.V.), and Department of Neurology (W.W.), Heidelberg University Hospital, Im Neuenheimer Feld 400, 69120 Heidelberg, Germany; Department of Neurosurgery, University Hospital Munich LMU, Munich, Germany (J.C.T.); and Department of Neurology, Clinical Neuroscience Center, University Hospital Zurich and University of Zurich, Zurich, Switzerland (M.W.).
一个新的卷积神经网络 (CNN) 在脑部扫描中准确识别了9种MRI序列类型. 这种深度学习工具提高了临床和研究神经放射学工作流程的效率.
科学领域:
- 医学成像信息学 医疗成像信息学
- 放射学中的人工智能
- 机器学习用于神经科学
背景情况:
- 磁共振成像 (MRI) 序列的准确标记对于临床诊断和研究至关重要.
- 手动标签是耗时的,容易出现错误,特别是异质的,非结构化数据.
- 需要自动化方法来提高MRI数据分析的吞吐量和可靠性.
研究的目的:
- 开发一个完全自动化的,独立于设备和序列的卷积神经网络 (CNN).
- 为了实现各种MRI数据的高通量和可靠的标签.
- 在脑成像中区分九种常见的MRI序列类型.
主要方法:
- 利用了来自2,179名质母细胞瘤患者的63,327个MRI序列的回顾性多中心数据集.
- 基于ResNet-18的CNN在2D中截图图像上进行了训练和验证,80%用于训练/验证,20%用于测试.
- 模型性能在9种MRI序列类型中进行了评估,包括T1加权,T2加权,FLAIR,DWI和SWI.
主要成果:
- 在测试组中,CNN在所有序列类型中实现了97.9%的整体准确性.
- 个体序列准确度在84.2% (SWI) 到99.8% (T2加权) 之间.
- 与ResNet-50相比,ResNet-18模型显示出更高的准确性,并且不受瘤存在的影响.
结论:
- 开发的CNN可靠地在大型多中心神经成像数据中区分了9种类型的MRI序列.
- 该模型独立于设备和序列,提高了其通用性.
- 这种自动化方法可以显著提高神经放射学工作流程的速度,准确性和效率.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
相关概念视频
Brain Imaging
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans), magnetic resonance imaging (MRI), functional magnetic resonance imaging (fMRI), and Transcranial Magnetic Stimulation (TMS).
Imaging Studies IV: Magnetic Resonance Imaging
