一种自我监督的学习方法,用于注册无意识的成像模型与3D大脑CTA的注册.
Yingjun Dong1, Samiksha Pachade1, Xiaomin Liang1
1McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, 7000 Fannin Street, Houston, TX, USA.
iScience
|February 20, 2024
概括
这项研究引入了一种新的自我监督学习方法,使深度学习模型能够在未注册的神经成像扫描中检测大型血管封闭. 这种新方法取得了强的性能,在未注册的计算机断层扫描血管学数据上表现优于标准方法.
科学领域:
- 神经成像是一种神经成像.
- 深度学习 (Deep Learning) 是一种深度学习.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 对于急性中风神经成像的深度学习模型通常需要图像注册,增加计算成本和潜在的故障点.
- 适应现有的模型来处理未注册图像是具有挑战性的,但对于更广泛的适用性至关重要.
研究的目的:
- 开发一种通用对比自主监督学习方法,用于调整深度神经网络以处理未注册的神经成像数据.
- 为了使在注册图像上训练的卷积神经网络能够在不同的输入域 (未注册图像) 上有效运行.
主要方法:
- 采用了对比的自我监督学习策略,利用了教师-学生网络架构,而不需要手动标签.
- 最初的模型 (老师) 指导新网络 (学生) 从未注册的图像中学习.
主要成果:
- 与教师模型 (AUC = 0.81) 相比,在未注册的计算机断层扫描血管造影 (CTA) 数据上训练的学生模型实现了竞争性的大血管封闭 (LVO) 检测性能 (AUC = 0.88).
- 使用标准监督学习对未注册图像直接训练学生模型,结果显著降低了表现 (AUC = 0.63).
结论:
- 提出的自我监督方法有效地适应深度学习模型用于神经成像分析,即使在处理未注册图像时也是如此.
- 这种方法表明了提高AI在急性中风诊断中的稳定性和适用性的可行策略,而不是依赖图像注册.
