在MRI上使用CNN进行光学神经炎在光学神经炎光谱障碍 (NMOSD) 中的视觉神经炎的分类,并使用转移学习和操纵增强前处理的操作
Yang Feng1, Li Sze Chow1, Nadia Muhammad Gowdh2
1Department of Electrical and Electronic Engineering, Faculty of Engineering and Built Environment, UCSI University, 1, Jalan Puncak Menara Gading, Taman Connaught, 56000, Cheras, Kuala Lumpur, Malaysia.
Biomedical physics & engineering express
|August 14, 2024
概括
深度学习模型现在可以使用MRI扫描对神经髓炎光谱障碍 (NMOSD) 患者的视觉神经炎 (ON) 进行分类. Inception-v3获得了99.5%的准确性,有助于诊断这种自身免疫中枢神经系统疾病.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 神经脊髓炎光学谱系障碍 (NMOSD),或Devic病,是一种自身免疫性中枢神经系统疾病,导致炎症性脱髓化.
- 视神经炎 (ON),视神经的炎症是NMOSD的常见但不是普遍的表现,可能导致严重的视力丧失.
研究的目的:
- 应用深度学习,特别是卷积神经网络 (CNN) 模型,用于使用MRI对NMOSD患者的视神经炎 (ON) 的分类.
- 评估数据增强策略对分类性能的影响.
主要方法:
- 八个最先进的CNN模型,包括Inception-v3和EfficientNet-B0,在光神经MRI扫描上使用转移学习.
- 在数据集分割之前和之后应用了数据增强技术,以评估它们对图像分类的影响.
- 模型性能使用定量指标和定性Grad-Cam可视化来评估.
主要成果:
- 发明-v3模型表现出卓越的性能,达到99.5%的准确性,98.9%的灵敏性,93.0%的特异性,100%的精度,99.0%的NPV和99.4%的F1-score.
- 在数据集分割后应用数据增强,通过防止信息泄露,产生了更可靠和更现实的结果.
结论:
- 深度学习,特别是Inception-v3模型,通过MRI提供了一个非常准确的方法来通过NMOSD患者对ON进行分类.
- 优化数据增强策略对于医疗图像分析中的强大模型开发至关重要.
