使用深度学习和可解释人工智能自动检测脑部MR图像中的运动伪影
计算机视觉与模式识别
2024-02-15 v1 机器学习
摘要
质量评估，包括检查图像中的伪影，是MRI数据采集过程中的关键步骤，以确保数据质量和下游分析或解释的成功。本研究展示了一个用于检测T1加权脑图像中刚性运动的深度学习模型。我们利用了一个用于三类分类的2D CNN，并在公开可用的回顾性和前瞻性数据集上对其进行了测试。Grad-CAM热图能够识别失败模式，并提供对模型结果的解释。该模型在六个运动模拟回顾性数据集上实现了85%的平均精确率和80%的平均召回率。此外，该模型在前瞻性数据集上的分类结果与平均边缘强度（一种指示运动的图像质量指标）显示出强烈的负相关（-0.84）。该模型是ArtifactID工具的一部分，旨在在线自动检测吉布斯振铃、卷褶和运动伪影。该工具自动化了部分耗时的QA过程，并增强了现场的专业知识，在本地MR知识匮乏的低资源环境中尤其相关。
引用
@article{arxiv.2402.08749,
title = {Automated detection of motion artifacts in brain MR images using deep learning and explainable artificial intelligence},
author = {Marina Manso Jimeno and Keerthi Sravan Ravi and Maggie Fung and John Thomas Vaughan, and Sairam Geethanath},
journal= {arXiv preprint arXiv:2402.08749},
year = {2024}
}
备注
25 pages, 9 figures, 1 table. Submitted to NMR in Biomedicine