使用卷积神经网络对身体MRI序列的自动分类
Boah Kim1, Tejas Sudharshan Mathai1, Kimberly Helm1
1National Institutes of Health Clinical Center, Building 10 Room 1C224, Bethesda, Maryland 20892-1182, USA.
Academic radiology
|December 7, 2024
概括
这项研究开发了一个3DDenseNet-121模型,用于自动分类多参数MRI序列. 该模型实现了高精度,改进了自动悬挂协议和用于研究的大规模数据分析.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 缺少MRI协议的标准化命名规范,导致DICOM标题中的不一致性.
- 在MRI扫描仪,实践和技术人员偏好的变化导致系列描述的冲突.
- 这些不一致性会影响刑协议,并需要临床医生的手动监督来准确诊断.
研究的目的:
- 开发和评估多参数核磁共振成像 (mpMRI) 研究中五个不同系列的分类模型.
- 解决临床实践中非标准化MRI协议所带来的挑战.
- 为了使自动挂协议,并促进大规模的数据队列创建研究.
主要方法:
- 使用西门子扫描仪数据进行二维和三维分类网络 (ResNet-50,ResNet-101,DenseNet-121,EfficientNet-BN0) 的比较.
- 对不同训练数据量和数据增强的模型性能分析.
- 在飞利浦扫描仪数据上对分销之外 (OOD) 的稳定性进行评估,并使用低采样/裁剪输入进行测试.
- 在西门子和飞利浦联合扫描器数据上训练最佳模型,以提高跨扫描器性能.
主要成果:
- 3D DenseNet-121组件在西门子数据上获得了99.5%的F1分,在飞利浦OOD数据上获得了86.5%.
- 数据增量和输入大小减少并没有显著影响模型性能.
- 结合数据的训练提高了飞利浦的98.8%,西门子的99.3%的性能.
- 3D DenseNet-121 模型在不同类型的扫描仪中表现出强大的性能.
结论:
- 开发的模型有效地对胸部,腹部和骨盆研究中的mpMRI序列进行分类.
- 这种方法为悬挂协议的强大自动化提供了潜力.
- 分类方法可以帮助创建用于临床前研究的大规模数据队列.
