基于深度学习的体素 MRI 序列类型识别
图像与视频处理
2021-06-08 v1 机器学习
医学物理
摘要
磁共振成像（MRI）序列的分析使临床专业人员能够监测脑肿瘤的进展。随着脑体积 MRI 分析自动化需求的增长，将每个序列良好标识变得十分必要。然而，MRI 序列命名的不标准化使其难以被自动化系统识别，也使研究人员难以生成或使用用于机器学习研究的数据集。面对这一问题，我们提出一种基于深度学习的脑 MRI 序列类型识别系统。通过训练基于 18 层 ResNet 架构的卷积神经网络（CNN），我们的系统可将体素脑 MRI 分类为 FLAIR、T1、T1c 或 T2 序列，或判断其不属于上述任何类别。该网络在公开可用数据集上进行了评估，这些数据集包含经过预处理（BraTS 数据集）和未预处理（TCGA-GBM 数据集）的、具有不同采集协议的影像类型，且仅需体素中的少量切片进行训练。我们的系统对序列类型的分类准确率达到 96.81%。
引用
@article{arxiv.2106.03208,
title = {Deep Learning-based Type Identification of Volumetric MRI Sequences},
author = {Jean Pablo Vieira de Mello and Thiago M. Paixão and Rodrigo Berriel and Mauricio Reyes and Claudine Badue and Alberto F. De Souza and Thiago Oliveira-Santos},
journal= {arXiv preprint arXiv:2106.03208},
year = {2021}
}