基于简单且噪声标注的 MEG 数据自动检测间变期癫痫放电
计算机视觉与模式识别
2025-10-27 v1
摘要
在难治性癫痫患者中，手术前评估癫痫可考虑。磁性脑电图（MEG）已被证明可通过定位间变期癫痫放电来有效指示癫痫发生区的定位。由于 MEG 记录的高维性，手动检测这些病理生物标志物仍然繁琐且易出错，临床实践中不同检视者间的一致性仅为中等。当前的自动化方法要么需要大量注释数据，要么在非典型数据上缺乏鲁健性。本文展示了即使仅使用时间标注和单位从业者注释，深度学习模型也可用于检测 MEG 记录中的间变期放电，这代表了真实世界的临床实践。我们提出两种模型结构：基于特征的人工神经网络（ANN）和卷积神经网络（CNN），在 59 名患者的数据库上进行训练，并对其在 10 名保留测试患者上的表现进行评估，以对比最新方法。此外，我们采用交互式机器学习策略，通过中间模型输出迭代性地改善数据注释的质量。两种提出的模型在测试保留患者上的 F1 分数均优于最新方法（CNN=0.46，ANN=0.44）。交互式机器学习策略表明，我们的模型对噪声注释具有鲁健性。总体而言，结果凸显了在分析复杂且注释不完美的数据时，简单模型结构的鲁健性。我们的交互式机器学习方法为更快的数据注释提供了巨大的潜力，而我们的方法代表了一个有用且高效的间变期放电自动检测工具。
引用
@article{arxiv.2510.21596,
title = {Automated interictal epileptic spike detection from simple and noisy annotations in MEG data},
author = {Pauline Mouches and Julien Jung and Armand Demasson and Agnès Guinard and Romain Bouet and Rosalie Marchal and Romain Quentin},
journal= {arXiv preprint arXiv:2510.21596},
year = {2025}
}
备注
17 pages, 7 Figures