生物医学成像研究的融合,以增加样本大小和多样性:大脑MRI的案例研究

科学领域:

• 生物医学数据科学是生物医学数据科学.
• 在神经成像中使用机器学习.

背景情况:

• 数据收集,策划和清理在机器学习 (ML) 中至关重要.
• 整合多个生物医学数据集,特别是大脑MRI,由于研究设计,数据描述器,文件组织和元数据的异质性,提出了挑战.
• 利用多样化的数据集可以提高机器学习模型中的样本大小和统计能力.

研究的目的:

• 为机器学习提供整合多个大脑MRI数据集的方法.
• 专注于数据组织和预处理管道的同质化.
• 为应对异构的生物医学数据所带来的独特挑战.

主要方法:

• 为异质脑MRI数据集开发了一个数据整合策略.
• 用一个大规模的融合实例 (84,000张图像,54,000名受试者,12项研究,88个扫描仪) 说明了这种方法.
• 设计了一个灵活的数据库结构,以容纳多个观测MRI数据集,并促进同质化.

主要成果:

• 演示了一种用于对ML的多种脑MRI数据集进行同质化的方法.
• 确定并讨论了数据集同质化过程中所需的关键决策.
• 介绍了适用于多项研究MRI数据集成的实用数据库结构.

结论:

• 拟议的方法促进了用于机器学习的异质脑MRI数据集的整合.
• 灵活的数据库结构支持同质化过程,使更大,更多样化的生物医学ML项目成为可能.
• 这项工作为未来大规模生物医学机器学习数据融合的努力提供了基础.