添加第三个维度:3D卷积神经网络诊断叶
Erik Kaestner1, Reihaneh Hassanzadeh2, Ezequiel Gleichgerrcht3
1Department of Radiation Medicine and Applied Sciences, University of California San Diego, San Diego, CA 92037, USA.
Brain communications
|October 30, 2024
概括
三维卷积神经网络 (CNN) 在MRI上识别叶方面明显优于二维CNN,特别是在大型数据集中. 这种进步有助于检测微妙的异常,即使没有明显的病变.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 卷积神经网络 (CNNs) 在分析叶 (TLE) 的结构异常方面表现有前途.
- 在医学图像分析方面,三维 (3D) CNN 经常超过二维 (2D) CNN.
研究的目的:
- 为了调查3D CNN是否在识别TLE特定的MRI特征方面优于2D CNN.
- 分析样本大小和临床特征对模型性能的影响.
主要方法:
- 在1178个T1加权MRI扫描 (589个TLE,589个对照) 上训练并比较3D和2DCNN.
- 利用特征可视化来识别关键区域进行分类.
- 在不同的样本大小和图像协调中评估模型性能.
主要成果:
- 在84%的比较中,3D CNN的平均精度为86.4%,明显超过2D CNN (平均83.0%).
- 3D CNN的优势仅在较大的样本大小中才明显.
- 两种模型都突出显示了中腹腔,小脑和中线皮质下区域,而3D CNN显示的突出程度更高.
结论:
- 3D CNNs对于检测TLE中微妙的MRI异常非常有价值,特别是在缺乏可见病变的患者中,如海马硬化.
- 3D CNNs的卓越性能取决于使用大量数据集进行训练.
