婴儿脑龄分类：小数据集下 2D CNN 优于 3D CNN
图像与视频处理
2021-12-28 v1 计算机视觉与模式识别
机器学习
摘要
判断大脑是否正常发育是儿科神经放射学与神经病学的关键组成部分。婴儿脑磁共振成像（MRI）展现出除单纯髓鞘化之外特定的发育模式。尽管放射科医生已利用髓鞘化模式、脑形态与大小特征来确定与年龄相符的脑成熟度，但这需要多年的儿科神经放射学经验。由于缺乏标准化标准，三岁前基于 MRI 对脑结构成熟度的视觉评估仍主要受观察者间与观察者内变异性的影响。对脑发育年龄更客观的估计可帮助医生更早、更可靠地识别许多神经发育状况与疾病。然而，此类数据天然难以获取，且由于评估的主观性，观察者真值并非真正的金标准。有鉴于此，我们探讨了解决该任务的总体可行性，以及不同方法的效用，包括在与出生至 3 岁分为四个年龄组的 84 名个体受试者融合的 T1 加权、T2 加权和质子密度（PD）加权序列上训练的二维与三维卷积神经网络（CNN）。在表现最佳的方法中，我们使用 2D CNN 于中央轴位厚层切片取得了 0.90 [95% CI: 0.86–0.94] 的准确率。我们讨论了与 3D 网络的对比，并展示了性能相对于仅使用单一序列（T1w）的差别。总之，尽管 3D CNN 方法在理论上更优，但在数据有限情形下，此类方法不如更简单的架构。代码见 https://github.com/shabanian2018/Age_MRI-Classification
引用
@article{arxiv.2112.13811,
title = {Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset},
author = {Mahdieh Shabanian and Markus Wenzel and John P. DeVincenzo},
journal= {arXiv preprint arXiv:2112.13811},
year = {2021}
}
备注
8 pages, 5 figures, 3 tables. arXiv admin note: text overlap with arXiv:2010.03963