探索解决大脑医学图像细分跨领域挑战的方法:系统性审查
Ming Yanzhen1,2, Chen Song3, Li Wanping1,2
1School of Artificial Intelligence Academy, Wuhan Technology and Business University, Wuhan, Hubei, China.
Frontiers in neuroscience
|July 1, 2024
概括
这篇评论强调了由于数据差异导致的脑图像细分方面的挑战. 域自适应方法有希望,但需要标准化的数据集和评估,以便在医学成像中进行强大的跨域概括.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 神经成像是一种神经成像.
背景情况:
- 大脑医学图像细分对于诊断诸如中风,阿尔茨海默病和瘤等疾病至关重要.
- 来自不同来源的数据集之间存在显著的分布差异,导致跨领域的挑战.
- 现有的研究解决了大脑图像细分的跨领域问题,但缺乏统一的方法.
研究的目的:
- 系统地审查和分析解决大脑图像细分跨领域问题的方法.
- 为了比较各种技术在中风病变,白质和脑瘤细分方面的性能.
- 确定现有局限性和未来该领域的研究方向.
主要方法:
- 系统的文献审查遵循PRISMA标准.
- 包括来自PubMed,科学网络和IEEE数据库的论文 (2018年1月至2023年12月).
- 包括转移学习,规范化,无监督学习,变压器和CNN在内的方法的提取和比较.
主要成果:
- 分析了71项研究,确定转移学习,规范化,无监督学习,变压器和CNN作为关键方法.
- 与非自适应方法相比,域自适应方法在ATLAS数据集上改善了中风病变细分约3%,而非自适应方法.
- 由于白质和脑瘤细分任务的数据集和方法不同,性能比较具有挑战性.
结论:
- 对于跨领域的大脑图像细分存在各种技术,但缺乏标准化的数据集和评估协议.
- 目前的研究通常依赖于n倍交叉验证,使用交叉站点或交叉数据集验证的研究较少.
- 未来的研究应该专注于开发统一的数据集和实验标准,以便更直观地进行性能比较.
