白物质高强度细分的不确定性量化检测了无声故障,并改进了自动化的Fazekas量化

科学领域:

• 神经辐射学神经辐射学
• 医学图像分析 医学图像分析
• 机器学习 机器学习

背景情况:

• 白质过强度 (WMH) 是脑MRI中小血管疾病的关键标志物,对临床和研究评估至关重要.
• 由于尺寸,形状,边界的变化以及与其他病理或文物重叠,精确的WMH细分具有挑战性.

研究的目的:

• 评估不确定性量化 (UQ) 技术,以提高脑MRI中WMH细分的准确性和可靠性.
• 评估UQ在识别细分失败和增强下游临床应用中的实用性,例如Fazekas评分分类.

主要方法:

• 评估了各种UQ技术,用于在不同的数据分布中对WMH进行细分.
• 利用随机细分网络和深层合奏进行细分.
• 开发了一种使用WMH概率和UQ地图进行Fazekas分数分类的新方法.

主要成果:

• UQ技术有效地识别了以前未经细分的WMH,减少了"无声失败".
• 具有深度合奏的随机细分网络实现了优异的子和绝对体积差异% (AVD) 得分.
• 整合UQ信息改善了Fazeka的分数分类,平衡了准确性和校准,优于没有UQ的模型.

结论:

• UQ对于提高脑MRI中WMH细分的稳定性和可靠性是有价值的.
• 用UQ增强的空间特征显著提高了临床评分系统的性能,如Fazekas评分.
• 使用多样化的样本的随机UQ方法可以检测和减轻质量差的细分.