在早期儿科扩散MRI中使用卷积神经网络进行自动运动工件检测
Jayse Merle Weaver1,2, Marissa DiPiero2,3, Patrik Goncalves Rodrigues2
1Department of Medical Physics, University of Wisconsin-Madison, Madison, WI, United States.
Imaging neuroscience (Cambridge, Mass.)
|February 12, 2024
概括
这项研究引入了一个深度学习工具,可以在婴儿扩散MRI扫描中自动检测运动工件. 这种自动化质量控制显著提高了幼儿大脑微观结构分析的准确性.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 儿科神经科学 儿科神经科学
背景情况:
- 扩散MRI (dMRI) 对于研究大脑微观结构至关重要.
- 质量控制 (QC) 对dMRI数据至关重要,特别是在容易运动的婴儿中.
- 手动质量控制是耗时的,昂贵的,主观的.
研究的目的:
- 开发和验证基于深度学习的工具,用于在儿科dMRI中自动检测运动工件.
- 提高婴儿和幼儿dMRI分析的可靠性.
- 评估移除运动工件对DTI和NODDI模型配件的影响.
主要方法:
- 在儿科dMRI数据集 (1-24个月) 上训练了一个3D卷积神经网络 (3DCNN).
- 该模型在单独的数据集 (2-36个月,98%准确度) 上测试了准确度 (95%) 和概括性.
- 对于DTI和NODDI分析,dMRI数据在移除运动工件的情况下和没有移除运动工件的情况下进行处理.
主要成果:
- 3DCNN在儿科dMRI中实现了运动工件的高分类准确性.
- 该工具在不同收购参数和年龄范围内显示出出色的概括性.
- 移除运动工件提高了DTI和NODDI参数图的质量和可靠性.
结论:
- 深度学习为儿童群体的自动化dMRI质量控制提供了有效的解决方案.
- 自动运动工件检测对于婴儿大脑微观结构的准确分析至关重要.
- 这种工具可以提高dMRI在早期儿童研究和诊断中的临床实用性.
