使用U-Net深度学习模型对胎儿大脑MRI成像上的Pons和Vermis的自动定位

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胎儿的发育 胎儿的发育

背景情况:

• 胎儿MRI增强了围产期发育障碍的识别,提高了超声波的准确性.
• 手动MRI测量是耗时的,需要专业知识,并且具有观察者之间的变化.
• 儿科神经放射科医生短缺.

研究的目的:

• 开发一种深度学习模型,用于在胎儿大脑MRI中自动识别子和虫上的解剖标志.
• 创建一个管道,为pon和vermis测量提供合适的图像.
• 为了提高胎儿大脑MRI分析的效率和准确性.

主要方法:

• 55名孕妇的胎儿大脑MRI的回顾性分析,使用HASTE协议.
• 开发基于U-Net的深度学习模型,用于地标识别 (pons和vermis).
• 使用妊娠年龄划分的数据集进行四重交叉验证,以评估模型的准确性.

主要成果:

• 深度学习模型在85%的案例中实现了≥90%的信心,平均误差<2.22mm.
• 前部和后部小马,以及前部虫地标显示出更高的估计准确性和信心.
• 为临床应用开发了一个用户友好的图形界面.

结论:

• 深度学习管道显著减少了选择胎儿大脑图像和执行解剖测量的时间.
• 这种人工智能驱动的方法提高了胎儿神经影像分析的效率和准确性.
• 该工具有助于放射科医生更有效地诊断围产期发育障碍.