QCResUNet:联合主题级和voxel级细分质量预测质量预测
Peijie Qiu1, Satrajit Chakrabarty2, Phuc Nguyen3
1Mallinckrodt Institute of Radiology, Washington University School of Medicine, St. Louis, MO, USA.
Medical image analysis
|September 13, 2025
概括
本研究介绍了QCResUNet,QCResUNet是一个深度学习工具,用于医疗图像细分的自动化质量控制. 它准确地识别了主体和voxel级别的细分错误,提高了临床应用的可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 深度学习模型擅长从MRI扫描中对脑瘤进行细分.
- 分区可靠性受到异常值和分布外样本的阻碍,限制了临床使用.
- 现有的质量控制方法往往仅限于单一模式的心脏MRI,并且缺乏voxel级错误识别.
研究的目的:
- 开发一个新的多任务深度学习架构,QCResUNet,用于自动化细分质量控制.
- 为细分精制提供主体级质量测量和voxel级错误地图.
- 通过处理多类细分和识别特定错误区域来解决先前方法的局限性.
主要方法:
- 提出QCResUNet,一个多任务深度学习模型用于细分质量评估.
- 在使用内部 (BraTS 2021) 和外部数据集 (BraTS-SSA,WUSM) 的脑瘤细分任务上得到验证.
- 从自动心脏诊断挑战 (ACDC) 中对心脏MRI细分的评估性能.
主要成果:
- 在预测学科级别细分质量方面,QCResUNet取得了很高的表现.
- 该模型在不同的数据集中准确地识别了基于voxel的细分错误.
- 在评估脑瘤和心脏MRI数据的细分质量方面表现出有效性.
结论:
- QCResUNet提供了一个强大的解决方案,用于医疗图像细分的自动化质量控制.
- 声量级错误地图可以指导改进,促进循环中人的反,以改善临床细分.
- 这种方法提高了基于深度学习的细分工具的可靠性和临床适用性.
