ترجمه فارسی مقاله MRISeqClassifier: یک ابزار یادگیری عمیق برای طبقه بندی دقیق توالی MRI

چکیده

Magnetic Resonance Imaging (MRI) is a crucial diagnostic tool in medicine, widely used to detect and assess various health conditions. Different MRI sequences, such as T1-weighted, T2-weighted, and FLAIR, serve distinct roles by highlighting different tissue characteristics and contrasts. However, distinguishing them based solely on the description file is currently impossible due to confusing or incorrect annotations. Additionally, there is a notable lack of effective tools to differentiate these sequences. In response, we developed a deep learning-based toolkit tailored for small, unrefined MRI datasets. This toolkit enables precise sequence classification and delivers performance comparable to systems trained on large, meticulously curated datasets. Utilizing lightweight model architectures and incorporating a voting ensemble method, the toolkit enhances accuracy and stability. It achieves a 99% accuracy rate using only 10% of the data typically required in other research. The code is available at https://github.com/JinqianPan/MRISeqClassifier.

چکیده به فارسی (ترجمه ماشینی)

تصویربرداری رزونانس مغناطیسی (MRI) یک ابزار تشخیصی مهم در پزشکی است که به طور گسترده برای تشخیص و ارزیابی شرایط مختلف سلامتی استفاده می شود.توالی های مختلف MRI ، مانند وزن T1 ، T2 وزن و استعداد ، با برجسته کردن ویژگی ها و تضادهای مختلف بافت نقش های متمایز را بر عهده دارند.با این حال ، متمایز کردن آنها فقط بر اساس پرونده توضیحات در حال حاضر به دلیل حاشیه نویسی یا حاشیه نویسی نادرست غیرممکن است.علاوه بر این ، فقدان قابل توجه ابزارهای مؤثر برای تمایز این توالی ها وجود دارد.در پاسخ ، ما یک ابزار ابزاری مبتنی بر یادگیری عمیق متناسب با مجموعه داده های MRI کوچک و تصفیه نشده ایجاد کردیم.این مجموعه ابزار طبقه بندی دقیق دنباله را امکان پذیر می کند و عملکرد قابل مقایسه با سیستم هایی را که در مجموعه داده های بزرگ و با دقت انجام شده است ، ارائه می دهد.این ابزار با استفاده از معماری های مدل سبک و درج یک روش گروه رأی دهی ، دقت و ثبات را افزایش می دهد.این میزان با استفاده از تنها 10 ٪ از داده های مورد نیاز در سایر تحقیقات ، به میزان دقت 99 ٪ دست می یابد.این کد در https://github.com/jinqianpan/mriseqclassifer در دسترس است.