一个自动化工具来对非结构化MRI数据进行分类和转换,将其转化为BIDS数据集
Alexander Bartnik1, Sujal Singh1, Conan Sum1
1Buffalo Neuroimaging Analysis Center, Department of Neurology, Jacobs School of Medicine and Biomedical Sciences, University at Buffalo, 77 Goodell St, Buffalo, NY, 14203, USA.
Neuroinformatics
|March 26, 2024
概括
本研究介绍了一种自动化方法来分类磁共振成像 (MRI) 数据,并将其组织成脑成像数据结构 (BIDS) 格式. XGBoost模型实现了高精度,简化了用于临床研究的神经成像数据管理.
科学领域:
- 神经成像是一种神经成像.
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 大量的神经成像数据集对于临床研究至关重要.
- 不一致的文件命名惯例阻碍了数据组织和分析.
- 手动策划成像数据是耗时和劳动密集的.
研究的目的:
- 为了自动化磁共振成像 (MRI) 数据的分类和组织.
- 将原始,非结构化的MRI图像转换为脑成像数据结构 (BIDS) 格式.
- 为了降低临床科学家使用神经成像数据的进入障碍.
主要方法:
- 训练了一个XGBoost模型来分类MRI采集类型.
- 使用的获取参数存储在图像文件元数据中.
- 将元数据映射到BIDS命名规范中,用于数据转换.
主要成果:
- 在MRI采集类型的分类中达到99.475%的准确性.
- 报告了高的微/宏平均精度 (0.9995/0.994),回忆 (0.9995/0.989) 和F1分数 (0.9995/0.991).
- 证明了准确和快速的分类和转换,用户干预最小.
结论:
- 自动化方法显著简化了神经成像数据的组织.
- 增加现有神经成像数据的可访问性,用于临床研究.
- 减少手工劳动,使数据分析更快,更有效.


