通过在多站点数据上训练的渐进级细节网络,与脑MRI细分中的扫描器效应作斗争

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:

• 准确的结构性MRI细分对于大脑研究至关重要.
• 深度学习模型经常显示,由于扫描器的变化,从未见过的网站数据的性能下降.
• 这种网站依赖性,或扫描效应,限制了当前方法的通用性.

研究的目的:

• 开发一个强大的深度学习模型,在各种采集站点进行准确的大脑MRI细分.
• 为了减轻因站点间变化和扫描器工件造成的性能下降.

主要方法:

• 拟议的LOD-Brain是一个3D卷积神经网络,具有渐进的细节级别 (LOD).
• 更粗的层面学习解剖学先验,而更细的层面适应特定地点的变化.
• 在一个大数据集上训练了近27,000个T1w卷,来自约160个站点.

主要成果:

• LOD-Brain实现了最先进的细分精度.
• 在内部和外部 (看不见) 站点之间没有显著的性能差异.
• 显示了对具有挑战性的解剖变异和扫描效果的强度.

结论:

• LOD-Brain有效地克服了脑MRI细分中的扫描器效应.
• 它的便携性使其能够在各种医疗保健环境和成像技术中进行大规模应用.
• 无论数据来源如何,模型的性能都是一致的,这在多中心研究中提高了可靠性.