脑部MRI对急性中风的序列类型分类使用自主监督机器学习算法

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 放射学 放射学是一门学科.

背景情况:

• 对脑MRI序列的准确分类对于诊断和治疗至关重要.
• 目前的方法可能依赖于手动标签,这可能耗时且容易出现错误.
• 开发自动化,可靠的分类系统是医学成像分析的一个关键挑战.

研究的目的:

• 提出一种自主监督的机器学习算法,用于脑MRI序列类型的分类.
• 使用DICOM元数据作为培训的监督信号.
• 开发一个可持续的自学系统,用于自动化MRI分类.

主要方法:

• 开发了ImageSort-net,这是一个利用MRI采集参数的机器学习框架.
• 从DICOM元数据创建基于规则的虚拟标签,用于培训.
• 使用医院和多中心试验数据集训练和评估模型,比较与虚拟标签 (MLvirtual) 和人类专家标签 (MLhumans) 训练的ML算法.

主要成果:

• 在医院数据集上,ImageSort-net (MLvirtual) 的准确性与MLhumans (98.5%对99%) 的准确性相当.
• 在较小的多中心数据集上,MLvirtual的准确性较低 (95.6%与99.4%相比),但在使用集成数据进行重新训练后 (99.7%) 显著改善.
• 重新训练的ML虚拟机和ML人类在多中心数据集上 (99.7%) 实现了相同的推断性能.

结论:

• 自主监督机器学习使用DICOM元数据的基于规则的虚拟标签对脑MRI序列分类有效.
• ImageSort-net框架为医学成像提供了一个可持续的自我学习系统.
• 这种方法减少了对手工标签的依赖,并提高了分类准确性,特别是在整合不同的数据集时.