机构名称：
¥ 2.0
MR图像的质量控制（QC）对于确保可以成功执行诸如分割之类的下游分析至关重要。目前，QC主要在视觉和主观上以显着的时间和运营商的成本进行。我们旨在使用概率网络自动化该过程，该网络通过异质噪声模型估算分割不确定性，从而提供了任务特定质量的度量。通过使用K空间人工制品来增强训练图像，我们提出了一种新颖的CNN体系结构，以解脱与任务和不同K-Space伪像的不确定性来源，以一种自欺欺人的方式。这可以预测不同类型的数据降解类型的单独不确定性。虽然不确定性预测反映了人工制品的存在和严重性，但由于数据质量，该网络提供了更强大，更可靠的分割预测。我们表明，接受过人工制品培训的模型在模拟的人工制品和有问题的现实世界图像上都提供了不确定性的信息，这是由人类比例确定的，无论是在定性和定量上都以误差栏的形式在体积测量中的形式进行。将伪像的不确定性与细分骰子分数相关联，我们观察到，与常用的质量（包括信噪比（SNR）（SNR）和对比度比率（CNR）相比，从任务的角度（灰质分段），我们的不确定性预测从任务的角度（灰质分段）提供了更好的MRI质量估计，并提供了质量质量的质量质量质量质量质量。
MRI分割质量估计的脱钩不确定性模型
主要关键词
相关文件推荐
