优化中风病变细分:使用高斯混合模型和nnU-Net的双重方法
Adrian Mannel1, Dhaval Khunt2, Vaibhav Agrawal3
1Department of Nuclear Medicine and Clinical Molecular Imaging, Eberhard Karls University Tübingen, Tübingen, Germany; Werner Siemens Imaging Center, Department of Preclinical Imaging and Radiopharmacy, Eberhard Karls University Tübingen, Tübingen, Germany.
Computers in biology and medicine
|May 3, 2025
概括
像nnU-Net这样的机器学习模型显示出强大的细分,但难以检测中风治疗效果. 使用概率标签的训练可以改善治疗反应的检测.
科学领域:
- 生物医学成像学 生物医学成像学
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 机器学习模型对于生物医学成像中的中风病变细分至关重要.
- 高斯混合模型 (GMM) 和nnU-Net是突出的细分工作流.
- 当前的评估往往忽视了检测治疗诱导变化的模型可靠性.
研究的目的:
- 系统地评估GMM和nnU-Net以检测与治疗相关的中风体积变化.
- 评估不同基本真相 (GT) 定义对治疗评估中的模型性能的影响.
主要方法:
- 对GMM和nnU-Net细分性能进行比较分析.
- 评估nnU-Net在手动训练与GMM衍生的GT标签之间用于治疗响应检测.
主要成果:
- 无论是GMM还是nnU-Net都表现出强大的细分精度.
- 仅在手动细分上训练的nnU-Net未能检测出治疗诱导的中风体积显著减少.
- 用GMM衍生的GT标签训练的nnU-Net显示了治疗响应的改进检测.
结论:
- 仅仅对细分的准确性就不足以评估治疗评估中的模型.
- 选择基本真相定义显著影响模型检测治疗效应的能力.
- 将概率方法与深度学习相结合,可以提高中风成像中的治疗反应检测.


