DDEvENet:基于证据的集体学习,用于使用扩散MRI进行不确定性意识的大脑分片

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 准确的解剖学大脑分片对于理解大脑结构和功能至关重要.
• 现有的方法经常在扩散MRI (dMRI) 数据的变化方面扎,缺乏强大的不确定性量化.
• 深度学习提供了潜力,但需要谨慎处理临床应用中的不确定性.

研究的目的:

• 引入DDEvENet,一个证据集神经网络,用于使用dMRI精确的解剖脑分片.
• 开发一个框架来量化在推理过程中的voxel-wise预测不确定性.
• 在一个不确定性意识的集体学习方法中利用多个dMRI参数.

主要方法:

• 开发了DDEvENet,一个证据深度学习框架,集成多个并行子网络,每个处理一个特定的dMRI参数.
• 实施基于证据的集合方法来融合单个子网络的输出.
• 从健康对照组和患有各种神经和精神疾病的患者中对各种dMRI数据集进行网络培训和评估.

主要成果:

• DDEvENet在多个数据集中实现了极其改进的分片精度,超过了最先进的方法.
• 该模型提供了可靠的voxel-wise不确定性估计,有助于检测异常的大脑区域.
• 结果表明,在不同的dMRI获取协议和患者群体中,这种方法具有稳定性.

结论:

• DDEvENet提供了一种准确可靠的方法,用于使用dMRI进行解剖大脑分片.
• 综合不确定性量化提高了解释性,有助于识别病理性大脑变化.
• 这种方法对临床神经成像研究和诊断具有重大潜力.