利用ResNet基于胆碱能通路高信号量表实现4类T2-FLAIR切片分类以用于病理性衰老评估
图像与视频处理
2024-09-12 v2 计算机视觉与模式识别
机器学习
摘要
胆碱能通路高信号量表（CHIPS）是一种视觉评分量表，用于评估T2-FLAIR图像中胆碱能白质高信号的程度，可作为痴呆严重程度的指标。然而，在整个大脑中手动选择用于评分的四个特定切片是一个耗时的过程。我们的目标是开发一种基于深度学习的模型，能够自动识别与CHIPS相关的四个切片。为此，我们在ADNI T2-FLAIR数据集（N=150）上借助ResNet训练了一个4类切片分类模型（BSCA）。随后，我们在本地数据集（N=30）上测试了模型性能。结果证明了我们模型的有效性，准确率为99.82%，F1分数为99.83%。这一成果凸显了BSCA作为自动筛查工具的潜在影响，可简化涵盖胆碱能通路白质标志物的四个特定T2-FLAIR切片的选择。临床医生可利用该工具高效评估临床痴呆发生的风险。
引用
@article{arxiv.2311.05477,
title = {Using ResNet to Utilize 4-class T2-FLAIR Slice Classification Based on the Cholinergic Pathways Hyperintensities Scale for Pathological Aging},
author = {Wei-Chun Kevin Tsai and Yi-Chien Liu and Ming-Chun Yu and Chia-Ju Chou and Sui-Hing Yan and Yang-Teng Fan and Yan-Hsiang Huang and Yen-Ling Chiu and Yi-Fang Chuang and Ran-Zan Wang and Yao-Chia Shih},
journal= {arXiv preprint arXiv:2311.05477},
year = {2024}
}
备注
8 pages, 2 figures, 2 tables