基于可解释神经网络回归的 UK Biobank 身体 MRI 大规模生物计量
图像与视频处理
2020-10-12 v3 计算机视觉与模式识别
信息检索
机器学习
摘要
在一项大规模医学检查中，UK Biobank 研究已成功使用磁共振成像（MRI）对超过 32,000 名志愿参与者进行成像。每次扫描都关联了广泛的元数据，提供了对成像解剖结构及相关健康状态的全面医学调查。尽管具有研究潜力，如此庞大的数据量对依赖人工输入的既有评估方法提出了挑战。迄今为止，心血管与代谢风险因素参考值的范围尚不完整。本工作中，训练神经网络进行基于图像的回归，以自动从颈至膝身体 MRI 推断多种生物指标。该方法无需人工干预，也无需在训练时直接访问参考分割。所考察的字段涵盖源自人体测量、双能 X 射线吸收测定法（DXA）、基于图谱的分割以及专用肝脏扫描的 64 个变量。利用 ResNet50，该标准化框架在交叉验证中实现对目标值的紧密拟合（中位 R^2 > 0.97）。对聚合显著图的解读表明，网络正确聚焦于特定身体区域与肢体，并学会模拟不同模态。在若干身体成分指标上，预测质量处于既有金标准技术间观测到的变异性范围内。
引用
@article{arxiv.2002.06862,
title = {Large-scale biometry with interpretable neural network regression on UK Biobank body MRI},
author = {Taro Langner and Robin Strand and Håkan Ahlström and Joel Kullberg},
journal= {arXiv preprint arXiv:2002.06862},
year = {2020}
}