基于紧凑型卷积神经网络与深度特征工程的多发性硬化中心静脉征MRI三分类研究

《Brain Sciences》：Image-Level Classification of Central Vein Categories on FLAIR MRI in Multiple Sclerosis Using a Lightweight Explainable Deep Learning Framework

　　

摘要

背景/目的：中心静脉征有助于在磁共振成像（MRI）上表征多发性硬化（MS）病灶，但解读该征象需要专业人员的时间和经验。我们开发了一个紧凑型卷积神经网络（CNN）和一个深度特征工程（DFE）流程，用于临床标注 MR 图像的三分类。方法：MS 静脉数据集包含来自 154 名参与者的 3181 张轴向 FLAIR 图像，分为静脉阳性、静脉阴性和对照组三类。MACDIBNeXt（约 650 万参数）结合了基于池化的注意力降采样、分组卷积以及瓶颈和倒置瓶颈模块。它在 Stable ImageNet1k 上进行预训练，并在参与者级别划分上进行微调（98 名训练，25 名验证，31 名测试参与者）。DFE 流程提取了 768 个全局平均池化特征，在训练数据的参与者分组折中通过 CWINCA 选择了 47 个，并用 tkNN 进行分类。结果：在来自 31 名参与者的 635 张保留测试图像上，独立 CNN 正确分类了 527 张（82.99%；参与者集群自助法 95% 置信区间，77.93–87.66%）。DFE 正确分类了 571 张（89.92%；85.47–93.82%），宏 F1 为 89.13%，Cohen 的 κ 为 0.83。以参与者为集群进行重采样时，6.93 分的增益具有 3.33–10.63 分的 95% 置信区间（p = 0.0002），且经过集群调整的 McNemar 检验给出 p = 0.0021。显示的示例中 Grad-CAM 激活位于颅内。结论：结合 DFE 的 MACDIBNeXt 提供了有前景的内部图像级别结果。由于数据是回顾性的、单中心的，且标注在 FLAIR 图像上，临床应用前需要外部参与者级别验证。