小编发现不少朋友对于 AI帮助管理冗长而冗长的图像标记过程 这方面的信息都比较感兴趣，小编就针对 AI帮助管理冗长而冗长的图像标记过程 整理了一些相关方面的信息 在这里分享给大家。

根据发表在《数字成像杂志》上的新研究，可以训练深度卷积神经网络(CNN)来预测大脑MR图像的序列类型。

该研究的作者指出，制造商和医疗保健提供者对序列类型使用的各种名称可能会引起严重的混淆。

“对于多机构数据存储库，成功的图像注释需要一个经过培训的指定人员，他们要专注于固有图像权重和图像内容的特征，而不是制造商或机构的术语，”主要作者Mayo诊所的Sara Ranjbar博士写道在凤凰城和同事们。“漫长而乏味的手动过程为大图像集合的聚合创造了瓶颈，并阻碍了研究之路。迫切需要一种能够与大数据时代的图像生成速度相匹配的自动注释系统。”

Ranjbar等。希望使用深度学习技术来预测脑肿瘤患者的MR扫描的序列类型，专门用于区分T1加权(T1W)，T1加权后d造影剂(T1Gd)，T2加权(T2W)和T2流体衰减反演恢复(FLAIR)。

作者写道：“就我们所知，以前没有工作集中在自动注释MR图像序列类型上。” “这种分类形式对于建立可以接收来自异构数据源的提交的大型成像库非常有用。”

研究小组转向了一个数据库，该数据库包含来自2500多个患者的70,000多个MR研究，重点是T1W，T1Gd，T2W和FLAIR序列。研究选择了14,000多个2D图像，其中9,600幅图像用于训练CNN，2,400幅图像用于验证CNN，另外2,400幅图像用于测试其有效性。

总体而言，验证集上ROC曲线(AUC)下的平均面积大于0.99。对于所有正在研究的四种序列类型，灵敏度至少为0.983，特异性至少为0.994，准确度至少为0.992。

这组作者写道：“我们的结果表明，MR序列类型的卷积神经网络预测器在识别以前看不见的MR图像上的序列类型方面可以达到99%的准确性，敏感性和特异性。” “鉴于我们的训练数据有两个方面的可，这是一个显着的成功：一个方面涉及图像内容(是否存在肿瘤，头部位置，切片数量，治疗效果等)，而另一个方面则是由于跨多个成像部位的成像参数(回波时间，重复时间，场强等)。我们的结果表明，使用人工智能的自动注释系统可以可靠地管理多机构医学图像存储库中手动图像标记的繁琐，冗长和错误的任务。”

团队补充说，3D网络可能是“更自然的选择”，但是2D CNN可以确保“合理的培训时间”，并使用较少的内存和计算资源。