通过SAM使用大脑MRI图像中缺口的自动检测,使用自蒸和解剖学知情先验的强有力的提示
Pon Deepika1, Gouri Shanker1, Ramanujam Narayanan1
1Department of Computational and Data Sciences, Indian Institute of Science, Bengaluru, Karnataka 560012, India.
Computers in biology and medicine
|August 5, 2025
概括
这项研究引入了一种使用分段任何模型 (SAM) 的新缺口检测方法,以改善大脑小血管疾病的诊断. 该方法在各种MRI数据集中显示出强大的性能,优于现有方法.
科学领域:
- 医疗成像医学成像
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 缺口是脑小血管疾病的关键指标,与神经退行和脑血管疾病有关.
- 准确的缺口检测对于早期诊断至关重要,但由于外观的变化而具有挑战性.
- 现有的方法在MRI扫描中的缺口异质性方面扎.
研究的目的:
- 利用人工智能开发一种强大可靠的方法来检测大脑缺陷.
- 提高神经成像中缺口识别的准确性和效率.
主要方法:
- 一种新的缺口检测方法,采用由提示生成器引导的分段任何模型 (SAM).
- 提示生成器使用复合损失函数来高灵敏度检测潜在的缺口.
- SAM通过区分缺口与模仿者 (如和扩大的周血管空间) 来完善检测,模仿临床审查.
主要成果:
- 该方法在使用FLAIR序列的两个多中心MRI数据集 (VALDO和ISLES) 上进行了评估.
- 尽管成像条件和切片厚度各不相同,但达到84% (ISLES) 和92% (VALDO) 的高灵敏度.
- 证明了0.05/片 (ISLES) 和0.06/片 (VALDO) 的低平均虚假阳性率.
结论:
- 拟议的人工智能驱动方法在各种成像场景中在缺口检测方面表现强.
- 它的性能优于当前最先进的技术,提供有效的缺陷检测和量化.
- 这一进步有助于精确诊断和管理脑血管疾病.
