一种包装方法,用于寻找多式磁共振成像序列的最佳子集,用于缺血性中风病变细分

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 多模式数据,包括各种磁共振成像 (MRI) 序列,为诊断诸如缺血性中风等疾病提供了丰富的信息.
• 然而,一些MRI序列可能是多余的或对特定任务的信息不足,例如损伤细分.
• 选择MRI模式的最佳子集可以在不牺牲性能的情况下简化数据采集和分析.

研究的目的:

• 开发和评估一种包装方法,以确定用于缺血性中风病变细分的最重要的MRI序列.
• 通过确定最少的一组信息性的MRI序列来减少数据采集的复杂性.

主要方法:

• 训练了一个深度神经网络进行细分,并采用包装方法来评估不同MRI序列的重要性.
• 该方法涉及在推断和系统评估性能影响期间输入模式的组合性脱落.
• 在两个数据集上进行了实验:ISLES15 (7个序列,30个案例) 和ISLES22 (3个序列,250个案例).

主要成果:

• 在ISLES15数据集中,DWI,Tmax和T1c被确定为核心-半阴线划分的最佳MRI序列,而Tmax则是病变细分的最佳序列.
• 对于ISLES22数据集,DWI被发现是病变细分的最佳序列.
• 突出度地图提供了视觉证据,支持选择的最佳子集的准确性.

结论:

• 拟议的包装方法有效地识别了用于缺血性中风病变细分的最佳MRI序列.
• 选择DWI,Tmax和T1c等关键MRI序列可以提高中风分析的效率.
• 这种方法有助于优化诊断工作流程,重点关注最相关的成像数据.