静止状态fMRI是一种成像方式,它通过信号变化揭示了大脑活动的定位,这就是所谓的静息状态网络(RSN)。该技术正在在神经外科预制范围内广受欢迎,以可视化功能区域并评估区域活动。 RS-FMRI网络的标签需要主题的专业知识并且耗时,因此需要自动分类算法。尽管AI在医学诊断中的影响表现出了很大的进步。在临床环境中部署和维护它们是未满足的需求。我们提出了一条端到端可重复的管道,该管道将RS-FMRI的图像处理结合在基于云的工作流程中,同时使用深度学习来自动化RSN的分类。我们已经构建了可重现的Azure机器学习基于云的医学成像概念管道,用于fMRI分析,集成了流行的FMRIB软件库(FSL)工具包。为了证明使用大型数据集的临床应用,我们比较了三个神经网络体系结构,以分类从处理后的RS-FMRI中得出的更深型RSN。这三种算法是:MLP,基于2D投影的CNN和一个完全3D CNN分类网络。每种网络都在RS-FMRI背面项目的独立组件上训练,每种分类方法的精度> 98%。
translated by 谷歌翻译