来自MRI的神经成像特征的生成模型和18,000个样本相关数据集
Sai Spandana Chintapalli1, Rongguang Wang1, Zhijian Yang1
1Center for AI and Data Science for Integrated Diagnostics (AI2D), Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA 19104, USA.
ArXiv
|July 29, 2024
概括
由GenMIND模型生成的合成大脑MRI数据克服了隐私挑战,改善了用于疾病诊断和精准医学的机器学习. 这种方法通过使用规范性的区域体积特征来提高模型的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 隐私和数据共享限制限制了对大型,多样化的医疗数据集的访问,阻碍了医疗保健中的机器学习应用.
- 用于疾病诊断,预后和精准医学的机器学习需要大量的数据来有效地开发和优化模型.
- 大脑磁共振成像 (MRI) 数据对于理解大脑结构和功能至关重要,但其使用往往受到数据可用性的限制.
研究的目的:
- 介绍GenMIND,这是一个新的生成模型集合,用于从结构性大脑MRI中创建合成规范区域体积特征.
- 为解决数据隐私和共享限制在脑成像研究中的局限性.
- 通过生成现实的合成样本,提高脑MRI数据对机器学习任务的实用性.
主要方法:
- 基因MIND模型被训练在来自iSTAGING联盟的广泛的真实大脑成像区域体积数据 (>40,000个MRI扫描) 上.
- 培训包括关键共变量,包括年龄,性别和种族,以确保数据的代表性.
- 这些模型用于生成成年人寿命 (22-90岁) 中的18,000个合成样本,可以产生无限的数据.
主要成果:
- 生成的合成样本与真实大脑成像数据的统计分布有很强的一致性.
- 使用GenMIND生成的规范数据的下游机器学习模型显示,对疾病分类等任务的准确性有显著的改善.
- 基因MIND模型为大脑成像研究中的数据增强提供了一个可扩展的解决方案.
结论:
- 基因MIND提供了一个可行的解决方案,用于生成保护隐私的合成大脑MRI数据.
- 合成数据有效地支持和增强机器学习模型在临床应用中的性能.
- 这种生成性方法促进了人工智能驱动的神经诊断和个性化医学的更广泛的研究和开发.
