白质病变和深灰质结构的分割是多发性硬化中磁共振成像量化的重要任务。通常这些任务是分开执行的:在本文中,我们提出了一个基于CNN的分段解决方案,用于快速,可靠地将多模态MR图像分割为病变类和健康的灰色和白质结构。与先前的方法相比,我们在骰子系数和病变特异性和敏感性方面显示出显着的,统计学上显着的改善,并且在人类内部评估者范围内与个体人类评价者协商。该方法是针对从单个中心收集的数据进行训练的:尽管如此,它对来自训练数据集中未表示的中心,扫描仪和场强的数据表现良好。一项回顾性研究发现,分类器成功识别出人类遗漏的病变。损伤标签由人类评估者提供,而其他脑结构(包括脑脊液,皮质灰质,皮质白质,小脑,扁桃体,海马,皮质下GM结构和脉络膜复合体)的弱标签由Freesurfer 5.3提供。这些结构的分割不仅与Freesurfer 5.3相当,而且与FSL-First和Freesurfer 6.1相比也很好。
translated by 谷歌翻译
对医学成像数据的回归任务进行深入学习已显示出良好的结果。但是,与其他方法相比,它们的功率与数据集大小密切相关。在这项研究中,我们评估三维卷积神经网络(CNNs)和经典回归方法与手工制作的特征,用于高级别脑肿瘤患者的生存时间回归。用于回归的测试的CNN显示出有希望但不稳定的结果。表现最佳的深度学习方法对训练集的保持样本的准确率达到51.5%。所有经过测试的深度学习实验均优于使用30个放射性特征的支持向量分类器(SVC)。研究的特征包括强度,形状,位置和深部特征。 BraTS 2018生存预测挑战的提交方法是SVC的集合,其在BraTS 2018训练集上达到72.2%的交叉验证准确度,在验证集上达到57.1%,在测试集上达到42.9%。结果表明,对于用于从磁共振图像直接回归的CNN模型的稳定性能,需要更多的训练数据,并且非成像临床患者信息与成像信息一起是非常的。
translated by 谷歌翻译
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
多形性胶质母细胞瘤是一种高度非常具侵袭性的脑肿瘤,患者预后较差。较低等级的胶质瘤攻击性较低,但随着时间的推移,它们会演变成更高等级的肿瘤。患者的治疗和治疗可能因肿瘤分级而有很大差异,从肿瘤切除术到放射性和化学联合治疗,再到“等待和观察”的方法。因此,肿瘤分级对于充分的治疗计划和监测至关重要。肿瘤分级的金标准依赖于活检标本的组织病理学诊断。然而,这个过程是侵入性的,耗时的,并且容易出现采样错误。鉴于这些缺点,广泛使用的MRI方案的自动分级分级在临床上是重要的,作为加快治疗计划和评估肿瘤进化的方法。在本文中,我们建议使用卷积神经网络直接从成像数据预测肿瘤。通过这种方式,我们克服了对感兴趣区域的专家注释的需求。我们评估两种预测方法:从整个大脑和自动定义的肿瘤区域。最后,我们将可解释性方法作为质量保证阶段,以检查该方法是否使用指示肿瘤等级的图像区域进行分类。
translated by 谷歌翻译
磁共振指纹(MRF)在单次快速采集中量化多个核磁共振参数。标准MRF使用字典匹配来构造参数化映射,其缺乏计算低效的可扩展性。我们建议使用时空卷积神经网络进行MRF图重建,利用相邻MRF信号演化之间的关系来代替字典匹配。我们评估了多参数脑扫描的方法,并将其与最近的三种MRF重建方法进行了比较。与其他重建方法相比,我们的方法实现了最先进的重建精度,并且产生了定性更具吸引力的地图。此外,与基于字典的方法相比,构建时间显着减少。
translated by 谷歌翻译
由于覆盖不同疾病类型和严重性的有限图像,训练用于医学图像分类或分割的稳健深度学习(DL)系统是具有挑战性的。我们提出了一个主动学习(AL)框架来选择大多数信息样本并添加到训练数据中。我们使用条件生成对抗网络(cGAN)通过调节其在真实图像样本上的生成来生成具有不同疾病特征的真实胸部X射线图像。使用贝叶斯神经网络识别要添加到训练集的信息性样本。实验表明,我们提出的AL框架能够通过使用约35%的富尔塔加酶来实现最先进的性能,因此比传统方法节省了大量的时间和精力。
translated by 谷歌翻译
中风是发达国家中第二大常见死亡原因,临床干预可能对患者的生命产生重大影响。为了实施血运重建手术,医生的决策考虑了基于多模式MRI和临床经验的风险和益处。因此,缺血性中风病变结果的自动预测有可能帮助医生更好地进行中风评估和关于组织结果的信息。通常,自动方法考虑扩散和灌注MRI(例如Tmax,TTP,MTT,rCBF,rCBV)的标准动力学模型的信息以执行损伤结果预测。在这项工作中,我们提出了一种深度学习方法,将这种信息与原始4D PWI图像信息的自动数据选择融合,然后对基础血流动力学进行数据驱动的深度学习建模。与仅使用标准临床灌注图相比,我们证明所提出的方法能够改善治疗前风险组织的预测,因此提出了所提出的数据驱动的原始灌注数据建模方法的潜在益处。
translated by 谷歌翻译
现代神经网络的不确定性估计在计算的预测旁边提供了额外的信息,因此期望提高对基础模型的理解。对于安全关键的计算机辅助应用,例如神经外科干预和放射治疗计划,可靠的不确定性尤其令人感兴趣。我们提出了一个不确定性驱动的健全性检查,以确定需要特殊专家审查的分割结果。我们的方法使用一个卷积神经网络,并根据蒙特卡洛辍学的原则计算不确定性估计。我们评估了所提出的方法在具有30个术后脑肿瘤图像的临床数据集上的性能。方法可以准确地分割高度不均匀的切除腔(Dicecoefficients 0.792 $ \ pm $ 0.154)。此外,所提出的健全性检查能够检测最差的分割和四个异常值中的三个。结果突出了使用来自模型参数不确定性的附加信息来验证陡峭学习模型的分割性能的潜力。
translated by 谷歌翻译
我们提出了一种基于深度学习和集合理论的新技术,它具有出色的分类和预测结果。通过访问足够大量的标记训练数据,即使训练数据与测试数据完全无关,我们的方法也能够几乎始终预测测试数据的标签。换句话说,我们在非特定设置中证明,只要有一个人可以访问足够的数据点,数据的质量就无关紧要了。
translated by 谷歌翻译
我们开发了快速算法,用于在$ p> 2 $的加权图上求解变分和博弈理论的$ p $ -Laplace方程。最近提出了$ p $ -Laplacian for $ p> 2 $作为半监督学习问题中标准($ p = 2 $)图拉普拉斯算子的替代品,标签非常少,其中拉普拉斯图的最小化变得堕落。我们为变分和游戏理论公式提供了几种有效且可扩展的算法,并提供了合成数据的数值结果以及分类和回归问题,这些问题说明了$ p $ -Laplacian对于少量标签的半监督学习的有效性。
translated by 谷歌翻译