自动新生儿nnU-Net脑部MRI提取器训练在一个大型的多机构数据集

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 新生儿脑部提取 (头骨剥离) 对于MRI分析至关重要.
• 现有的算法对于婴儿大脑细分是有限的.
• 深度学习为提高准确性和通用性提供了潜力.

研究的目的:

• 适应和验证一个深度学习算法用于自动新生儿大脑MRI细分.
• 为了提高不同MRI获取参数的概括性.
• 为新生儿大脑分析提供一个有效的工具.

主要方法:

• 使用nnU-Net框架开发了ANUBEX.
• 在HEAL研究中的433名参与者身上训练了该模型.
• 在NIH和dHCP数据集中比较了ANUBEX与五个公共算法 (BET,BSE,CABINET,iBEATv2,ROBEX).

主要成果:

• 在综合数据集上,ANUBEX取得了显著更高的子得分.
• 在低分辨率 (NIH) 和高分辨率 (dHCP) 的MRI上,性能与现有方法相当或优于现有方法.
• 该模型在无序扫描和运动降解扫描中表现出稳健性,在早产大脑的性能略有下降.

结论:

• ANUBEX是一种基于深度学习的准确高效的新生儿大脑提取算法.
• 它在高分辨率和低分辨率的新生儿大脑MRI上表现良好.
• 这个工具推进了用于婴儿神经成像研究的自动化预处理.