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.
• 机器学习 机器学习
• 放射学 放射学是一门学科.

背景情况:

• 磁共振成像 (MRI) 提供了关键的大脑视图,但通常具有可变的序列可用性.
• 这种变异性阻碍了放射学解释,并限制了机器学习模型的概括性.
• 开发各种MRI数据的强大模型对于准确的疾病评估至关重要.

研究的目的:

• 提出一个以解剖学为导向的,模式不可知的框架,用于强大的脑MRI异常检测.
• 在缺失或可变的成像模式条件下增强机器学习模型性能.
• 提高神经成像管道中异常检测的普遍性.

主要方法:

• 开发了一种以解剖学为导向的,模态不可知的框架,用于脑MRI分析.
• 引入了Region ModalMix (RMM),这是一个整合解剖学先验的增强策略.
• 培训并评估了BraTS 2020和MU-Glioma-Post数据集的框架.

主要成果:

• 在BraTS 2020数据集上,RMM框架的性能优于最先进的方法,将Hausdorff距离 (HD95) 减少了9.68毫米,并将子相似系数 (DSC) 提高了1.36%.
• 在MU-Glioma-Post数据集中,RMM表现出强烈的分布外泛化,在严重缺失模式场景中减少HD95的18.24毫米,并在严重缺失模式场景中改善DSC的9.54%.
• 该框架在处理异质数据可用性方面被证明是有效的.

结论:

• 拟议的框架确保在脑MRI中强有力的异常检测,尽管可变序列可用.
• 在多式联络神经成像中,RMM提高了机器学习模型的通用性.
• 这种方法在现实临床环境中促进了更可靠的疾病评估.