一个深度学习启用自动胎儿乳头直径测量算法

科学领域:

• 神经成像是一种神经成像.
• 发展生物学 发展生物学
• 医疗人工智能 医疗人工智能

背景情况:

• 影响胎儿乳头发育的孕产妇因素需要精确的胎儿乳头直径 (FTD) 测量.
• 常规的2D超声波 (2D-US) 不能测量FTD,手动测量很困难,因为胎儿大脑图像中的丘脑边界模糊.
• 现有的统计形状模型 (SSM) 方法因图像噪声和模糊边缘而与FTD测量准确性扎.

研究的目的:

• 开发和验证基于深度学习的算法FTDNet,用于自动测量2D-US图像中的FTD.
• 克服手动和基于SSM的传统FTD测量方法的局限性.

主要方法:

• 开发了一种新的深度学习算法FTDNet,用于使用监督学习进行端到端的乳腺体检测和FTD地标识别.
• 使用了一个精心策划的数据集,包括1111张胎儿丘脑图像,以及专家注释的地标坐标和边界框.
• 使用类内相关系数 (ICC) 来评估FTDNet与地面真相的测量一致性.

主要成果:

• 在测量FTD时,FTDNet获得了0.734的显著的类内相关系数 (ICC) 得分.
• 拟议的FTDNet算法与传统的SSM方法和其他基线方法相比,表现优越.
• 该算法成功检测了丘脑区域,并专注于地标检测,以准确测量FTD.

结论:

• FTDNet提供了一种准确和自动化的FTD测量方法,大大推进了对母亲对胎儿大脑发育的影响的研究.
• 这种深度学习方法为研究胎儿丘脑发育及其与母亲因素的关系提供了潜在的突破.
• 开发的算法在改善通过超声波成像评估胎儿大脑发育方面具有临床意义.