没有质量标签的胎儿大脑MRI质量控制基于图像定向识别不确定性
Mingxuan Liu1, Yi Liao2, Haoxiang Li3
1Department of Radiology, West China Second University Hospital, Sichuan University, Chengdu, Sichuan Province, China; School of Biomedical Engineering, Tsinghua University, Beijing, China.
Medical image analysis
|February 17, 2026
概括
一个新的方向识别科尔莫戈罗夫-阿诺德网络 (OR-KAN) 通过准确预测图像的方向和质量来改善胎儿MRI质量控制. 这种方法增强了胎儿大脑体积的重建,以更好地检测异常和发育研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 胎儿MRI质量控制 (QC) 对于准确评估胎儿大脑发育和检测异常至关重要.
- 对QC的监督深度学习方法面临数据标签和跨领域概括的挑战.
研究的目的:
- 开发一种用于自动化胎儿MRI质量控制的新型深度学习模型.
- 提高QC方法在不同MRI序列的概括能力.
主要方法:
- 一个方向识别科尔莫戈罗夫-阿诺德网络 (OR-KAN) 是使用堆叠的瓶 KAN 卷积层开发的.
- OR-KAN被训练在增强的胎儿大脑地图上,以预测图像方向 (轴向,斜向,冠状).
- 使用预测不确定性度量化图像质量.
主要成果:
- 在T2加权的TSE数据上,OR-KAN实现了高性能 (AUROC: 0.840,AUPR: 0.954),在BTFE数据上保持了高性能 (AUROC: 0.881,AUPR: 0.857).
- 使用预先训练的模型包装OR-KAN的性能高于SOTA监督的FetMRQC方法,高达21.9%.
- 在正常和异常胎儿中,OR-KAN提高了胎儿大脑体积重建成功率高达42.5%.
结论:
- OR-KAN为胎儿MRI质量控制提供了强大的和可通用的解决方案.
- 该方法显著提高了胎儿大脑体积重建的准确性.
- 预计这一进展将改善胎儿大脑异常的诊断和子宫内大脑发育研究.
