The explosion of medical imaging data along with the advent of big data analytics has launched an exciting era for clinical research. One factor affecting the ability to aggregate large medical image collections for research is the lack of infrastructure for automated data annotation. Among all imaging modalities, annotation of magnetic resonance (MR) images is particularly challenging due to the non-standard labeling of MR image types. In this work, we aimed to train a deep neural network to annotate MR image sequence type for scans of brain tumor patients. We focused on the four most common MR sequence types within neuroimaging: T1-weighted (T1W), T1-weighted post-gadolinium contrast (T1Gd), T2-weighted (T2W), and T2-weighted fluid-attenuated inversion recovery (FLAIR). Our repository contains images acquired using a variety of pulse sequences, sequence parameters, field strengths, and scanner manufacturers. Image selection was agnostic to patient demographics, diagnosis, and the presence of tumor in the imaging field of view. We used a total of 14,400 two-dimensional images, each visualizing a different part of the brain. Data was split into train, validation, and test sets (9600, 2400, and 2400 images, respectively) and sets consisted of equal-sized groups of image types. Overall, the model reached an accuracy of 99% on the test set. Our results showed excellent performance of deep learning techniques in predicting sequence types for brain tumor MR images. We conclude deep learning models can serve as tools to support clinical research and facilitate efficient database management.

中文翻译：

---

用于磁共振成像序列类型注释的深度卷积神经网络。

医学影像数据的爆炸式增长以及大数据分析的出现开启了一个激动人心的临床研究时代。影响为研究聚合大型医学图像集的能力的一个因素是缺乏用于自动数据注释的基础设施。在所有成像方式中，由于 MR 图像类型的非标准标记，磁共振 (MR) 图像的注释特别具有挑战性。在这项工作中，我们旨在训练一个深度神经网络来注释用于脑肿瘤患者扫描的 MR 图像序列类型。我们专注于神经影像学中四种最常见的 MR 序列类型：T1 加权 (T1W)、T1 加权钆造影剂后 (T1Gd)、T2 加权 (T2W) 和 T2 加权流体衰减反转恢复 (FLAIR) . 我们的存储库包含使用各种脉冲序列获取的图像，序列参数、场强和扫描仪制造商。图像选择与患者人口统计学、诊断和成像视野中肿瘤的存在无关。我们总共使用了 14,400 张二维图像，每个图像都可视化了大脑的不同部分。数据分为训练集、验证集和测试集（分别为 9600、2400 和 2400 个图像），并且集由大小相等的图像类型组组成。总体而言，该模型在测试集上达到了 99% 的准确率。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。图像选择与患者人口统计学、诊断和成像视野中肿瘤的存在无关。我们总共使用了 14,400 张二维图像，每个图像都可视化了大脑的不同部分。数据分为训练集、验证集和测试集（分别为 9600、2400 和 2400 个图像），并且集由大小相等的图像类型组组成。总体而言，该模型在测试集上达到了 99% 的准确率。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。图像选择与患者人口统计学、诊断和成像视野中肿瘤的存在无关。我们总共使用了 14,400 张二维图像，每个图像都可视化了大脑的不同部分。数据分为训练集、验证集和测试集（分别为 9600、2400 和 2400 个图像），并且集由大小相等的图像类型组组成。总体而言，该模型在测试集上达到了 99% 的准确率。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。每个人都在想象大脑的不同部分。数据分为训练集、验证集和测试集（分别为 9600、2400 和 2400 张图像），并且集由大小相等的图像类型组组成。总体而言，该模型在测试集上达到了 99% 的准确率。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。每个人都在想象大脑的不同部分。数据分为训练集、验证集和测试集（分别为 9600、2400 和 2400 个图像），并且集由大小相等的图像类型组组成。总体而言，该模型在测试集上达到了 99% 的准确率。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。我们的结果表明，深度学习技术在预测脑肿瘤 MR 图像的序列类型方面表现出色。我们得出结论，深度学习模型可以作为支持临床研究和促进高效数据库管理的工具。