MRI 的最新进展促成了大型数据集的产生。随着数据量的增加,在这些数据集中找到同一患者的先前扫描结果变得越来越困难(这一过程称为重新识别)。为了解决这个问题,我们提出了一种名为 DeepBrainPrint 的 AI 驱动的医学影像检索框架,旨在检索同一患者的脑部 MRI 扫描结果。我们的框架是一种半自监督对比深度学习方法,具有三项主要创新。首先,我们结合使用自监督和监督范式,从 MRI 扫描结果中创建有效的脑部指纹,可用于实时图像检索。其次,我们使用特殊的加权函数来指导训练并提高模型收敛性。第三,我们引入了新的成像变换,以提高在存在强度变化(即不同的扫描对比度)的情况下的检索稳健性,并考虑患者的年龄和疾病进展。我们在阿尔茨海默病神经影像计划 (ADNI) 的 T1 加权脑部 MRI 大型数据集和用于评估不同图像模式的检索性能的合成数据集上测试了 DeepBrainPrint。我们的结果表明,DeepBrainPrint 的表现优于之前的方法,包括简单的相似性指标和更先进的对比深度学习框架。
主要关键词