神经成像异常的解剖学导向,模式不可知细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 磁共振成像 (MRI) 提供了关键的大脑视图,但通常在现实数据中缺少序列.
• 不一致的多模式MRI数据挑战了放射学解释和机器学习模型的概括性.

研究的目的:

• 开发一个以解剖学为导向的,模式不可知的框架,以进行强大的大脑异常评估,尽管可变的MRI序列可用.
• 引入一个新的数据增强技术,Region ModalMix,以提高模型性能与不完整的多式联络输入.

主要方法:

• 提出了一种以解剖学为导向和模式不可知的框架来评估脑MRI异常.
• 介绍了Region ModalMix,一种使用解剖学先验来训练强度的增强策略.
• 验证了用于脑瘤细分的BraTS 2020数据集的框架.

主要成果:

• 该框架在缺失的模式条件下显著优于基线模型.
• 在第95百分点的豪斯多夫距离中平均减少9.68毫米,并提高了1.36%的子相似系数.
• 与具有不完整数据的最先进方法相比,表现出优越的性能.

结论:

• 拟议的框架在异质神经成像数据设置中提供可靠的异常检测.
• 该方法与模型无关,与培训兼容,并且广泛适用于多模式管道.
• 提高了人工智能模型用于脑MRI分析的稳定性和通用性.