大脑MRI序列和视图平面识别使用深度学习
1Aerospace Engineering Department and Interdisciplinary Research Center for Smart Mobility and Logistics, King Fahd University of Petroleum and Minerals, Dhahran, Saudi Arabia.
Frontiers in neuroinformatics
|May 8, 2024
概括
这项研究引入了一个深度学习模型,可以自动识别大脑MRI序列和视图平面,这对于人工智能驱动的诊断至关重要. 该系统实现了高精度,改善了用于医学成像研究的数据标签.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经科学是一个神经科学.
背景情况:
- 大脑磁共振成像 (MRI) 数据显示了序列,视图平面和磁铁强度的显著变化.
- 准确识别MRI参数对于自动化诊断系统和大规模数据分析中的预处理至关重要.
- 目前用于分类MRI数据的方法可能是劳动密集型和容易出错的.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于自动识别大脑MRI序列和视图平面.
- 创建一个强大的分类系统,能够区分常见的MRI序列 (T1,T2加权,PD,FLAIR) 跨轴,冠状和斜面平面.
- 为计算机辅助诊断 (CAD) 开发提供一个帮助标记大量在线数据集的工具.
主要方法:
- 采用使用MobileNet-v2架构的深度学习方法实现了图像分类.
- 该模型被训练在多个公开可用的脑MRI数据集上,包括各种序列和视图平面.
- 一个12个类别的分类系统被设计来分类常见的MRI扫描类型和方向.
主要成果:
- DL模型在未经处理的MRI扫描上达到99.76%的高精度,在没有剥离头骨的扫描上达到相似的精度.
- 部署的工具在未见过的数据上表现出强的表现,在线来源的准确率为99.84%,医院来源的数据为86.49%.
- 该系统有效地识别了常见的MRI序列和视图平面,验证了它的实用性.
结论:
- 深度学习,特别是MobileNet-v2模型,为自动脑MRI序列和视图平面识别提供了有效和准确的方法.
- 这种自动化方法显著提高了标记大型神经成像数据集的效率,支持CAD工具的进步.
- 开发的工具为提高脑MRI数据在研究和临床环境中的质量和可用性提供了实际解决方案.
