一个深卷积神经网络,用3D超声波图像来估计大脑总体积
Bahram Jafrasteh1, Simón Pedro Lubián-López2, Isabel Benavente-Fernández3
1Biomedical Research and Innovation Institute of Cádiz (INiBICA), Puerta del Mar University, Cádiz, Spain.
Computer methods and programs in biomedicine
|September 22, 2023
概括
这项研究引入了一种深度学习方法,用3D超声波图像来估计早产婴儿的总大脑容量. 这种新的方法准确地预测了大脑的生长,有助于在新生儿重症监护室更快地进行诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 新生儿科学 新生儿科学
背景情况:
- 过早出生的婴儿是脆弱的,需要精确监测大脑发育.
- 通过超声波 (US) 估计全脑体积 (TBV) 对于新生儿重症监护室 (NICU) 的纵向研究至关重要.
- 针对TBV的3D美国图像的手动细分是耗时的,需要专家的投入.
研究的目的:
- 开发一种自动化的深度学习方法,从3D超声波图像中准确估计TBV.
- 提高早产婴儿TBV评估的速度和效率.
主要方法:
- 一种名为深卷积神经网络 (DSCNN) 的深度学习方法被开发出来.
- DSCNN利用深度卷积神经网络 (CNN) 与扩展的残余连接以及灵感来自模糊c-Means (FCM) 的新型选层.
- 该方法使用两个不同的超声波数据集与AlexNet-3D,ResNet-3D和VGG-3D进行了验证.
主要成果:
- DSCNN方法表明预测和观察到的TBV值之间存在很强的相关性.
- 回归激活地图被用于解释DSCNN,突出显示了解剖学上可信的区域.
- 该方法可以从3D图像中直接估计TBV,从而绕过手动细分的需要.
结论:
- 拟议的DSCNN方法提供了一个准确而高效的解决方案,用于从3D超声数据中对早产婴儿的自动TBV估计.
- 这种方法可以显著帮助快速诊断和监测易受伤害的新生儿早期的大脑生长.
- 通过激活地图来解释DSCNN可以提高临床信任和适用性.
