细分的黑色物质在大脑帕伦基马的超声波图像使用深度学习

科学领域:

• 医疗成像医学成像
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 诊断严重依赖于临床症状和神经成像.
• 大脑帕伦基马超声波 (BPS) 评估了Substantia Nigra (SN) 的超声性,这是超过90%的PD患者的标志.
• 目前在BPS中对NS的评估可能是主观的,耗时的.

研究的目的:

• 开发和评估一个自动细分方法,用于大脑帕伦基马超声波 (BPS) 图像中的黑色物质 (SN).
• 提高BPS在帕金森病 (PD) 诊断中的准确性和临床实用性.
• 建立一个端到端计算机辅助检测 (CAD) 系统的基础.

主要方法:

• 利用了一个新的BPS图像数据集.
• 实现并修改了一个U-Net卷积神经网络 (CNN) 架构.
• 接受过培训并验证了CNN用于自动SN细分.

主要成果:

• 在BPS图像上的SN细分中实现了最先进的性能.
• 对于修改后的U-Net网络,获得了0.859 ± 0.037的子系数.
• 证明了在BPS中自动化SN细分的可行性和实用性.

结论:

• 在BPS图像中自动化SN细分是可行的,并且有利于PD诊断.
• 开发的方法显示了将其整合到临床工作流程中的潜力.
• 这项研究为未来开发用于帕金森病的CAD系统提供了基础.