在大脑中自动检测运动工件T1加权磁共振图像从临床数据仓库使用合成数据的合成数据
Sophie Loizillon1, Simona Bottani1, Aurélien Maire2
1Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM, CNRS, Inria, Inserm, AP-HP, Hôpital de la Pitié-Salpêtrière, Paris 75013, France.
Medical image analysis
|January 4, 2024
概括
这项研究引入了一种转移学习方法,在临床数据仓库中的3D T1加权脑MRI扫描中自动检测运动工件. 该方法有效地识别了严重的运动,但与人类注释器相比,对轻微的文物表现较差.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 临床数据仓库 (CDW) 包含大量的患者数据,包括磁共振图像 (MRI).
- 在MRI采集过程中患者的运动会产生人工物,使许多扫描无法使用.
- 由于CDW中的大量数据,手工工艺品检测是不可行的.
研究的目的:
- 开发一种自动化方法来检测3D T1加权脑MRI中的运动工件.
- 为了使CDW能够有效地利用大型MRI数据集.
- 为了区分严重和轻微的运动文物.
主要方法:
- 采用了一种新的转移学习方法,涉及通过合成运动对研究数据进行预训练.
- 预先训练的模型在4045个标记的大脑MRI的临床数据集上进行了微调.
- 该方法旨在将研究数据概括为现实世界的临床数据.
主要成果:
- 该自动化方法在排除具有严重运动人工物的MRI方面取得了高精度 (平衡精度>80%).
- 在检测轻微运动文物方面的性能明显低于人类评分器的性能.
- 该研究强调了临床MRI分析中转移学习的潜力和局限性.
结论:
- 开发的框架可以通过识别无法使用的扫描来帮助利用CDW用于医学成像研究.
- 在研究数据上训练的模型的临床验证对于可靠的性能至关重要.
- 需要进一步的研究,以提高检测微妙的运动文物.
