不现实的数据增量提高了基于深度学习的多巴胺载体SPECT分类的稳定性,以应对站点之间和摄像头之间的变化
Thomas Buddenkotte1, Ralph Buchert2
1Department of Nuclear Medicine, University Medical Center Hamburg-Eppendorf, Hamburg, Germany.
概括
强烈不切实际的数据增强显著提高了多巴胺载体SPECT图像的卷积神经网络 (CNN) 分类精度. 这种方法可以在不同的成像站点和相机变体中提高概括性,优于其他增强技术.
科学领域:
- 核医学是一种核医学.
- 放射性药物成像技术的成像技术
- 机器学习在医学成像中的应用.
背景情况:
- 卷积神经网络 (CNN) 越来越多地用于医学图像分析.
- 图像站点和设备之间的变化可能会降低CNN模型的稳定性.
- 多巴胺转运体 (DaT) SPECT成像对于诊断神经退行性疾病至关重要.
研究的目的:
- 为了提高基于CNN的DaT SPECT图像分类的稳定性和概括性.
- 为了评估强烈不切实际的数据增强与站点和摄像机可变性的有效性.
- 为了比较强烈不切实际的数据增强,没有增强和标准的nnU-Net增强.
主要方法:
- 一个CNN被训练使用1100个123I标记的DaT SPECT图像.
- 强烈不切实际的数据增强涉及高斯模糊和添加噪声.
- 增强型CNN在具有不同空间分辨率的独立数据集上进行测试,并与对照组进行比较.
主要成果:
- 在独立测试数据集上,使用强烈不现实的增强效果的CNN在独立测试数据集上实现了更高的精度 (0.989和0.975).
- 这种性能超过了没有增强 (0.960和0.953) 和nnU-Net增强 (0.972和0.950) 的模型.
- 统计分析 (麦克纳马的测试) 显示,拟议方法的显著改善 (P < 0.001).
结论:
- 强烈不现实的数据增强增强了DaT SPECT图像分类的CNN概括.
- 这种方法有效地解决了成像采集设置的变化.
- 该方法显示了在其他核成像模式中更广泛应用的潜力.
