关于从磁共振图像进行深度学习的胎儿大脑细分的审查
Tommaso Ciceri1, Letizia Squarcina2, Alice Giubergia1
1NeuroImaging Laboratory, Scientific Institute IRCCS Eugenio Medea, Bosisio Parini, Italy; Department of Information Engineering, University of Padua, Padua, Italy.
Artificial intelligence in medicine
|September 6, 2023
概括
使用深度学习进行准确的胎儿大脑细分对于临床分析至关重要. 卷积神经网络 (CNN) 为胎儿磁共振成像 (MRI) 提供可靠的结果,解决胎儿运动和有限数据等挑战.
科学领域:
- 医学成像分析分析 医学成像分析
- 神经科学是一个神经科学.
- 医疗保健中的人工智能
背景情况:
- 胎儿大脑细分是临床应用量化分析的关键第一步.
- 挑战包括胎儿运动,大脑快速发育以及胎儿MRI中的有限的成像数据.
- 现有的方法旨在分割胎儿大脑或隔离特定结构.
研究的目的:
- 审查用于胎儿大脑细分的深度学习算法.
- 根据目标结构对这些算法进行分类.
- 确定研究缺口,并建议胎儿MRI分析的未来方向.
主要方法:
- 审查深度学习技术,特别是卷积神经网络 (CNN).
- 根据它们在胎儿大脑中的目标解剖结构对算法进行分类.
- 分析当前的文献,以确定局限性和未来的研究机会.
主要成果:
- 深度学习,特别是CNN,代表了对胎儿大脑细分的最先进方法.
- 这些方法在异质胎儿MRI数据集中显示出可靠性.
- 该评论对现有的深度学习方法进行了分类,用于胎儿大脑细分.
结论:
- 深度学习算法在MRI中对胎儿大脑的自动细分是有效的.
- 需要进一步的研究来解决发现的差距,并改善胎儿MRI图像管理.
- 这一领域的进展有可能对胎儿疾病的临床管理产生重大影响.
