PDFF-CNN:在不平衡的胎儿大脑MRI数据集上进行妊娠年龄预测的注意引导的动态多方位特征融合方法
Ziteng Feng1, Ran Zhou1, Wei Xia2
1School of Computer Science, Hubei University of Technology, Wuhan, China.
Medical physics
|December 3, 2023
概括
这项研究引入了一种新的深度学习模型,用于准确的胎儿大脑MRI妊娠年龄预测,克服数据不平衡的挑战,以改善产前诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胎儿的发育 胎儿的发育
背景情况:
- 胎儿大脑MRI对于评估发育和诊断形至关重要.
- 从胎儿大脑MRI预测妊娠年龄对于产前护理至关重要.
- 由于胎儿定位变化和不平衡的数据集,现有的方法面临挑战.
研究的目的:
- 开发一个强大的深度学习模型,从胎儿大脑MRI中准确预测妊娠年龄.
- 为了应对不平衡的数据集和胎儿MRI中的可变图像采集所带来的挑战.
- 为了提高基于深度学习的胎儿大脑MRI分析的可靠性.
主要方法:
- 提出了一个金字塔挤压注意力 (PSA) 引导的动态特征融合CNN (PDFF-CNN).
- 在姆网络中利用PSA进行多尺度和多方向的特征提取.
- 实现动态特征融合和平衡MSE损失以处理数据不平衡.
主要成果:
- 在1327张T2加权MRI图像的不平衡数据集上,PDFF-CNN实现了0.848周的平均绝对误差.
- 证明了高性能,其 R 平方值为 0.904.
- 注意地图确定了主要的区域特征,有助于预测妊娠年龄.
结论:
- PDFF-CNN模型显示出在产前诊断中临床应用的巨大潜力.
- 准确的妊娠年龄预测可以帮助治疗规划和分娩管理.
- 这种方法为分析不平衡的胎儿大脑MRI数据提供了强大的解决方案.
