模拟脑大小MRI数据上的刚性头部运动文物-图像质量和大脑皮层细分的结果
Hampus Olsson1, Jason Michael Millward1,2, Ludger Starke1
1Max-Delbrück-Center for Molecular Medicine in the Helmholtz Association (MDC), Berlin Ultrahigh Field Facility (B.U.F.F.), Berlin, Germany.
PloS one
|April 16, 2024
概括
在使用大小图像的磁共振成像 (MRI) 数据中模拟运动工件对于机器学习至关重要. 这项研究发现,修改后的模拟器非常接近真实运动,从而为人工智能模型训练提供了无偏见的数据集.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 流行病学磁共振成像 (MRI) 数据集比临床数据显示的运动工件少,在机器学习增强中产生偏差.
- 无法获得的未重建的k空间数据需要基于人口的MRI数据集进行基于大小的运动模拟.
- 评估基于大小的运动模拟的现实性对于准确的数据增强至关重要.
研究的目的:
- 系统地评估磁共振成像 (MRI) 数据基于大小的运动模拟的现实性.
- 改进机器学习应用中数据增强的运动模拟技术.
- 评估模拟运动工件对自动大脑细分工具的影响.
主要方法:
- 从MR-ART数据集中对148名受试者进行了基于幅度的运动模拟,使用了真实运动损坏的参考数据.
- 图像质量指标 (IQM) 包括联合变量系数 (CJV),信号与噪声比 (SNR) 和对比与噪声比 (CNR) 被用于评估运动相似性.
- 一个修改的运动模拟框架 (TorchIO) 允许非随机运动和相位编码,其性能与使用Dice-Sørensen系数 (DSC) 在自动细分上的原始模拟进行了比较.
主要成果:
- 修改后的基于大小的运动模拟显示,与真实运动损坏图像相比,与原始模拟相比,CJV/SNR/CNR的平均差异较低.
- 对于自动细分的Dice-Sørensen系数 (DSC) 的下降在修改后的模拟中小于在原始模拟中.
- 在所有经过测试的细分工具中,SynthSeg+在对真实和模拟的运动工件方面表现出最高的稳定性.
结论:
- 基于大小的运动模拟可以生成合理的现实的文物,用于大规模的数据增强,当只有大小的MR图像可用时.
- 修改后的模拟技术提高了合成运动工件的可靠性,从而为训练机器学习模型提供了更公正的数据集.
- 这些发现支持使用基于大小的运动模拟来创建神经成像中强大的机器学习模型,特别是用于解决与运动相关的偏见.
