通过使用卷积神经网络与交叉类型的跳过连接,从MRI图像中改进了基底质的细分
Takaaki Sugino1, Taichi Kin2, Nobuhito Saito2
1Department of Biomedical Informatics, Institute of Biomaterials and Bioengineering, Tokyo Medical and Dental University, Tokyo, Japan. sugino.bmi@tmd.ac.jp.
International journal of computer assisted radiology and surgery
|November 20, 2023
概括
这项研究引入了一种新型的卷积神经网络 (CNN),具有交叉类型的跳过连接,用于在MRI扫描中改善基底腺节细分. 这种方法提高了准确性,特别是对于边界不清楚和阶级不平衡的结构.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 在MRI中准确细分基底腺,对于诊断和治疗神经系统疾病至关重要.
- 基底腺细分的挑战包括阶级不平衡和模糊的解剖边界.
研究的目的:
- 开发一个改进的编码器-解码器卷积神经网络 (CNN) 用于基底腺细分.
- 调查不同跳过连接架构对细分性能的影响,特别是对于具有挑战性的案例.
主要方法:
- 使用了5种跳过连接模式的编码器-解码器CNN:没有,全分辨率水平,水平,垂直,以及拟议的交叉类型.
- 评估了79名患者的T1加权的MRI脑图像上的CNN性能,以对基底腺细分进行评估.
主要成果:
- 在各个级别的跳过连接帮助CNN获得多尺度图像特征.
- 垂直跳过连接改善了较小,模糊结构的细分.
- 拟议的交叉类型的跳过连接显示出更高的细分精度.
结论:
- 跳过连接显著影响编码器-解码器CNNs的性能,用于基底腺节细分.
- 交叉类型的跳过连接在出现类不平衡和不清楚边界的情况下,有望提高细分精度.
