大脑MRI图像模拟用于基于深度学习的医学图像分析网络
Aymen Ayaz1, Yasmina Al Khalil1, Sina Amirrajab1
1Biomedical Engineering Department, Eindhoven University of Technology, Eindhoven, the Netherlands.
Computer methods and programs in biomedicine
|March 19, 2024
概括
一个新的基于物理的模拟框架产生现实的人工MRI大脑数据,克服现有方法的局限性. 这种方法有效地训练3D大脑细分网络,减少了对大量注释真实MRI数据集的需求.
科学领域:
- 医疗成像医学成像
- 计算神经科学是一种神经科学.
- 人工智能在医学中的应用
背景情况:
- 医疗图像分析的深度学习需要大型注释式MRI数据集,这些数据很少.
- 现有的脑MRI模拟数据缺乏解剖学多样性,现实性和MR序列可变性.
- 有限的注释数据阻碍了神经成像中先进的AI算法的开发和验证.
研究的目的:
- 开发一种新的,现实的MRI模拟框架,用于生成人工大脑数据.
- 为了解决AI模型培训不足的注释MRI数据的关键瓶.
- 为了能够创建多样化的,基于物理的模拟MRI数据集,并附有基本真相注释.
主要方法:
- 纳入患者特定的幻影和布洛赫方程,以实现准确的MRI模拟.
- 从高分辨率T1wMRI数据中自动推导大脑标签作为基本事实.
- 利用模拟的T1wMR图像和注释来训练3D大脑细分网络.
- 与已建立的工具FSL-FAST和SynthSeg对真实多源MRI数据进行比较.
主要成果:
- 该框架生成具有可变解剖学,序列参数,对比度,SNR和分辨率的3D脑部MRI.
- 仅在模拟的T1w数据上训练的3D大脑细分网络在MRBrainS18数据集上获得了高的Dice分数 (0.818/0.832/0.828).
- 在OASIS数据上的表现与FSL-FAST密切匹配,证明了定量和定性疗效 (迪斯得分为0.901/0.939/0.937).
结论:
- 拟议的框架代表了向基于物理的MRI图像生成迈出的重要一步.
- 它可以灵活地创建大型,可变的MRI数据集,以满足各种解剖和序列要求.
- 生成的数据有效地训练3D大脑细分网络,减少对真实注释数据的依赖.
更多相关视频
14:14Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
Published on: August 12, 2018
8.9K
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
