人工智能在胎儿静息态功能MRI脑分割中的应用:3D UNet、VNet与HighRes-Net模型的比较分析
神经元与认知
2023-11-21 v1 人工智能
摘要
引言:胎儿静息态功能磁共振成像(rs-fMRI)是一个快速发展的领域,为出生前脑发育提供了宝贵见解。在非平稳3D脑体积中从周围组织中准确分割胎儿脑是该领域的一项重大挑战。当前可用工具的准确率为0.15。目的:本研究引入了人工智能(AI)用于胎儿脑fMRI、磁共振成像(fMRI)中自动脑分割的新应用。采用开放数据集训练AI模型,评估其性能,并分析其在应对胎儿脑fMRI分割特定挑战时的能力与局限。方法:我们使用了一个由160例组成的开源胎儿功能MRI(fMRI)数据集(参考:fetal-fMRI - OpenNeuro)。采用5折交叉验证方法开发了用于fMRI分割的AI模型。使用了三种AI模型:3D UNet、VNet和HighResNet。使用自动化超参数调优工具Optuna对这些模型进行优化。结果与讨论:比较了三种AI模型(VNet、UNet和HighRes-net)的Dice分数,包括手动调优与使用Optuna自动调优模型的比较。我们的发现阐明了不同AI模型在胎儿静息态fMRI脑分割中的性能。尽管VNet模型在该应用中展现出前景,仍需进一步研究以充分探索各模型(包括HighRes-net模型)的潜力与局限。本研究为进一步广泛研究AI在胎儿脑fMRI分割中的应用奠定了基础。
引用
@article{arxiv.2311.10844,
title = {Artificial Intelligence in Fetal Resting-State Functional MRI Brain Segmentation: A Comparative Analysis of 3D UNet, VNet, and HighRes-Net Models},
author = {Farzan Vahedifard and Xuchu Liu and Mehmet Kocak and H. Asher Ai and Mark Supanich and Christopher Sica. and Kranthi K Marathu and Seth Adler and Maysam Orouskhani and Sharon Byrd},
journal= {arXiv preprint arXiv:2311.10844},
year = {2023}
}