在MRI图像中改善大腿肌肉细分的位置对比学习
Nicola Casali1,2, Elisa Scalco3, Maria Giovanna Taccogna3
1Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing, National Research Council, Milan, Italy.
NMR in biomedicine
|June 1, 2024
概括
自主监督学习 (SSL) 在MRI扫描中改善了大腿肌肉细分. 定位对比的SSL显著提高了准确性,特别是在有限的标记数据中,减少了注释时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 对大腿肌肉的准确细分对于定量MRI分析至关重要.
- 深度学习模型需要大量的标记数据,这需要花费大量时间来获得肌肉细分.
- 自主监督学习 (SSL) 提供了一个解决方案,利用未标记的数据进行模型预训练.
研究的目的:
- 建议和评估位置对比SSL用于MRI扫描中细分单个大腿肌肉.
- 用不同数量的有限注释数据来评估SSL预训练的有效性.
- 将SSL性能与大腿肌肉细分的随机初始化模型进行比较.
主要方法:
- 在未标记的T1wMRI大腿收购上使用了U-Net架构,并预训练了位置对比SSL.
- 将SSL预训练与标记数据集上的随机初始化模型 (RND) 进行比较.
- 使用子相似系数 (DSC) 评估细分性能,并增加注释卷数量 (1至40).
主要成果:
- SSL预训练显著提高了大腿肌肉细分的准确性,特别是在非常有限的标记数据 (例如,DSC 0.631与0.530对1个标记卷).
- 即使使用完整标记数据集 (SSL的DSC为0.927而RND为0.924) 时也观察到显著的增强.
- 定位对比的SSL在改进最小注释数据的细分方面表现出有效性.
结论:
- 定位对比SSL是一种有效的方法,可以从MRI中准确地细分大腿肌肉.
- 通过SSL,大大减少了对大量手动注释的需求,从而有可能加速临床工作流程.
- 这种方法对像老年健康受试者这样的人群进行定量MRI分析充满希望.
