专注的3D CapsNet用于强大的海马体细分

科学领域:

• 神经成像是一种神经成像.
• 深度学习 (Deep Learning) 是一种深度学习.
• 医学图像分析 医学图像分析

背景情况:

• 海马及其子领域 (HSF) 对记忆至关重要,并与各种神经疾病有关.
• 由于HSF的小尺寸和解剖学变异性,对HSF的准确细分具有挑战性,限制了手动数据标签.
• 现有的深度学习方法,如囊网络,在医学成像中表现有前途,但通常仅限于2D,并未评估HSF细分.

研究的目的:

• 引入和评估一种新的3D囊网络 (3D-AGSCaps),用于自动化海马子场细分.
• 为了比较3D-AGSCaps与经典卷积神经网络 (CNN) 在细分HSF上的性能,特别是在小型和非典型的数据集中.

主要方法:

• 开发并发布了一个公共的3D囊网络 (3D-AGSCaps).
• 将3D-AGSCaps与同等的CNN架构进行了比较,这些架构用于手动标记海马的三个数据集.
• 使用诸如子系数之类的指标评估细分性能,特别是在具有不完整海马逆转 (IHI) 的数据集上.

主要成果:

• 3D-AGSCaps在旋转的海马上与CNN相比,显示出更高的细分精度 (子系数).
• 在典型的受试者身上,3D-AGSCaps实现了与CNN相似的子系数,但参数减少了15倍 (2.285M与35.069M).
• 这些发现表明,3D-AGSCaps可以促进非典型受试者的研究,包括患有IHI的人.

结论:

• 开发的3D-AGSCaps为海马子场细分提供了更准确和自动化的解决方案.
• 这种方法预计将有利于研究非典型人群,小数据集和手动细分不切实际的大队伍.
• 3D-AGSCaps有可能在影响海马的条件下推进对解剖功能假设的研究.