相关实验视频
Updated: Jul 5, 2025
08:56
Nerve Ultrasound Protocol to Detect Dysimmune Neuropathies
Published on: October 7, 2021
2.7K
卷积神经网络在中枢神经形态评估中的方法从超声波图像中进行形态评估
1Department of Mechanical Engineering, Faculty of Engineering, Kyushu University, Fukuoka 819-0395, Japan.
Journal of imaging
|January 22, 2024
概括
卷积神经网络 (CNN) 显示出在手掌道综合征中分析中枢神经超声图像的前景. 这些人工智能模型为中枢神经形态的手动测量提供了可靠的替代方案.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 神经学 神经学
背景情况:
- 手腕道综合征 (CTS) 的诊断依赖于通过超声波对中枢神经的评估.
- 对中枢神经参数的超声图像的手动分析是主观的,可靠性各不相同.
- 需要自动化方法来提高中枢神经系统中介神经分析的准确性和一致性.
研究的目的:
- 评估两个卷积神经网络 (CNN) 模型U-Net和SegNet的有效性,用于从超声波图像中提取中枢神经形态.
- 将U-Net和SegNet的性能与使用斯皮尔曼相关性和Bland-Altman分析的手动测量进行比较.
- 评估CNN作为CTS中中枢神经超声波的客观和可靠分析工具的潜力.
主要方法:
- 两种CNN架构,U-Net和SegNet,用于对超声波图像中的中枢神经进行细分.
- 使用斯皮尔曼相关性和布兰德-阿尔特曼分析来比较CNN衍生的测量 (截面,周长,直径) 与手动注释.
- 对欧盟的交叉点 (IoU) 被计算出来,以量化两种模型的细分精度.
主要成果:
- 与SegNet (0.625) 相比,U-Net实现了更高的平均IOU (0.717).
- 根据Bland-Altman分析,这两种模型都与手册注释有很好的一致性,一致性极限为95%.
- 在两种具有延长或模糊中枢神经轮的模型中,细分精度 (IoU) 都下降了.
结论:
- 美国有线电视新闻网 (CNN) 模型,特别是U-Net,显示出自动化从CTS中超声图像中提取中枢神经形态的巨大潜力.
- 这些人工智能驱动的方法为手工分析提供了一个有希望的,可靠的,可能更客观的替代方案.
- 进一步开发可以提高中枢神经超声分析的CNN的稳定性,改善CTS诊断和管理.
