基于上下文感知 2.5D 模型的 MRI 平面方向检测

人类可以轻松识别 MRI 切片上的解剖平面（轴向、冠状、矢状），但自动化系统在这方面却难以应对。缺失的平面方向元数据会使分析复杂化，在合并异构数据集时引起域迁移，并降低诊断分类器的准确率。本研究开发了一个准确生成平面方向元数据的分类器。我们采用利用多切片信息的 2.5D 上下文感知模型，以避免孤立切片的歧义并实现稳健的特征学习。我们在 3D 切片序列和静态 2D 图像上训练 2.5D 模型。虽然 2D 参考模型达到 98.74% 的准确率，但我们的 2.5D 方法将其提升至 99.49%，将错误率降低 60%，凸显 2.5D 背景的重要性。我们在脑瘤检测任务中验证了生成元数据的实用性。采用基于不确定性得分的选择性使用元数据增强预测的门控策略，将准确率从仅使用图像的模型的 97.0% 提升至 98.0%，将误诊率降低 33.3%。我们将平面方向模型集成到交互式 Web 应用程序中，并对其提供开源。