针对临床数据仓库的大脑3D FLAIRMRI自动质量控制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 临床数据仓库汇总了大量的患者医疗数据,为机器学习模型培训和验证提供了潜力.
• 在临床环境中,磁共振图像 (MRI) 的质量和可变性与研究数据集有很大差异,需要严格的质量控制.
• 开发可靠的机器学习模型需要解决临床实践中固有的图像质量的异质性.

研究的目的:

• 开发和评估一种新的半监督对抗域适应架构,用于处理3D FLAIR大脑MRI.
• 在临床数据仓库中自动识别不合适的3D FLAIR脑MRI.
• 为了自动评估3D FLAIR大脑MRI的整体图像质量.

主要方法:

• 设计了一种半监督的对抗域适应架构,其中包括用于T1加权和FLAIR MRI序列的共享特征提取器.
• 架构包括一个域分类器和特定序列分类头来处理类分布转移.
• 该模型使用5500个预标记T1权重的MRI和926个新标记的FLAIRMRI进行训练.

主要成果:

• 该方法在识别不适当的3D FLAIR脑MRI方面表现出色,达到89%的平衡精度,与人类评分器相比.
• 该系统在评估整体图像质量方面取得了良好的表现,在识别质量差的图像方面,其平衡准确度超过79%.
• 拟议的方法有效地解决了临床数据仓库中异质图像质量的挑战.

结论:

• 开发的半监督对抗域适应架构成功克服了临床数据仓库中异质图像质量的初始障碍.
• 这有助于开发新的研究和机器学习应用程序,使用临床常规的3D FLAIR大脑图像.
• 这种方法提高了医疗研究大规模临床成像数据集的可用性.