DeepBrainPrint: un nuovo framework contrastivo per la ri-identificazione di MRI cerebrali è stato accettato alla conferenza "Medical Imaging with Deep Learning" (MIDL 2023). Il paper è il primo a proporre un approccio semi-auto-supervisionato di deep learning contrastivo, che recupera scansioni MRI del cervello dello stesso paziente da un dataset di imaging medico e supera i metodi precedenti come InfoNCE, SoftTriple, SimCLR e BarlowTwins. Leggi la pre-stampa qui.
DeepBrainPrint getta le basi per una metodologia di brain fingerprinting basata su una pipeline di deep learning semi-auto-supervisionata, che consente la ri-identificazione accurata e generalizzabile dei soggetti attraverso gli MRI cerebrali.
DeepBrainPrint addestra una rete neurale a mappare un MRI cerebrale in una impronta numerica che caratterizza la morfologia unica di un cervello umano, consentendo la ri-identificazione basata sull'immagine dei soggetti. L'impronta è robusta alla variabilità legata al soggetto (ad es. l'invecchiamento, la progressione della malattia) e alla variabilità del cambiamento di dominio causata da diversi contrasti o acquisizioni di scanner.
I risultati degli esperimenti dimostrano che DeepBrainPrint supera sia le tecniche di deep metric learning all'avanguardia che i metodi di fingerprinting cerebrale consolidati in termini di prestazioni, efficienza e capacità di generalizzazione.
Oltre alla ri-identificazione, il modello risultante può servire a molteplici scopi, inclusa la ricerca di scansioni cerebrali con caratteristiche strutturali simili, come forma, lesioni o atrofia, anche se sono di soggetti diversi.
