加强神经科学中的数据共享:儿童大脑MRI的深度学习去识别方法
Ariana M Familiar1,2, Neda Khalili1,2, Nastaran Khalili1,2
1From the Center for Data-Driven Discovery in Biomedicine (Db) (A.M.F., Neda K., Nastaran K., K.V., A.V., P.B.S., A.C.R., A.F.K., A.N.), Children's Hospital of Philadelphia, Philadelphia, Pennsylvania.
AJNR. American journal of neuroradiology
|November 12, 2024
概括
一个人工智能工具有效地从儿科大脑MRI中删除面部数据,使得更好的数据共享用于研究. 这种儿科自动反差工具显示了高准确性和对下游分析的影响最小.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 儿科神经科学 儿科神经科学
背景情况:
- 儿童脑部扫描中的可识别面部特征的隐私问题限制了数据共享.
- 现有的破坏工具不足以用于儿科神经成像,阻碍了研究.
- 国家卫生研究院的任务需要新的数据共享解决方案.
研究的目的:
- 开发一种由人工智能 (AI) 驱动的工具,用于自动破坏儿科大脑MRI.
- 为了解决儿科神经成像中当前破坏工具的局限性.
- 为了促进儿科神经成像数据共享和研究.
主要方法:
- 在多个多机构数据集上使用深度学习方法 (nnU-Net).
- 在976个多参数MRI扫描上训练模型,来自244名儿科患者 (7天至21岁).
- 包括T1加权,T1对比增强,T2加权和T2-FLAIRMRI序列.
主要成果:
- 在各种MRI类型中,在去除面部区域方面取得了高精度 (98%).
- 在去除耳朵方面,精度较低 (73%).
- 对下游研究分析的影响最小,包括全球/区域大脑测量和人工智能生成的卷.
结论:
- 人工智能破坏模型在多个序列的儿科大脑MRI中是有效的.
- 变形对下游研究实用性的影响最小,支持数据共享.
- 为推进研究和数据共享实践,提供了一个免费可用的软件包 (儿科-自动-defacer).
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.2K
08:49Whole-Brain Single-Cell Imaging and Analysis of Intact Neonatal Mouse Brains Using MRI, Tissue Clearing, and Light-Sheet Microscopy
Published on: August 1, 2022
3.5K
