在临床神经成像研究工作流程中实施深度学习细分的实用路线图.
Marco Pérez Cáceres1, Alexandre Gauvin2, Félix Dumais3
1Department of Radiology, University of Montreal, Montréal, Québec, Canada.
World neurosurgery
|June 12, 2024
概括
这项研究为加速使用机器学习进行图像细分的临床研究提供了一个框架. 它详细介绍了通过代模型培训和专家验证来提高可重现性和效率的方法.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 临床研究 临床研究
背景情况:
- 开源工具正在推动机器学习应用的指数增长.
- 机器学习集成,特别是用于神经成像细分,正在变得越来越容易.
研究的目的:
- 为加快和提高临床研究的可重复性提出一个通用方法.
- 概述硬件,软件,神经网络培训和数据标签的关键考虑因素.
主要方法:
- 倡导一种代方法来模型培训和转移学习.
- 在数据标签过程中强调内部验证和早期异常值处理.
- 在开发周期的后期提出微调模型.
主要成果:
- 代改进允许专家干预,以提高模型可靠性.
- 减少了专家的手工工作时间.
- 实现模型预测的无集成,以获得标准化,可重复的结果.
结论:
- 提供了一个全面的框架,以加速用于图像分割的机器学习研究.
- 在临床研究应用中提高效率和可靠性.
