基于深度学习的,全自动的,儿科大脑细分系统
Min-Jee Kim1, EunPyeong Hong2, Mi-Sun Yum3
1Department of Pediatrics, Asan Medical Center Children's Hospital, Ulsan University College of Medicine, 88, Olympic-ro 43-Gil, Songpa-Gu, Seoul, 05505, South Korea.
Scientific reports
|February 21, 2024
概括
一种基于深度学习的新型大脑细分方法 (DLS) 准确地测量了儿童的大脑体积. 这种自动化的DLS方法与传统方法相比,可以有效地检测神经发育障碍中的大脑变化.
科学领域:
- 神经成像是一种神经成像.
- 儿科神经学 儿科神经学
- 人工智能在医学中的应用
背景情况:
- 准确的大脑体积对于理解神经发育障碍至关重要.
- 传统的方法,如手动校正的freesurfer,耗时且需要专业知识.
- 需要自动化细分工具来提高儿科神经成像的效率和一致性.
研究的目的:
- 评估基于深度学习的完全自动化大脑细分 (DLS) 方法的性能.
- 为了比较DLS衍生的大脑体积与从儿童手动校正的自由冲浪者获得的.
- 评估DLS方法在患有SCN1A突变的儿科患者中检测大脑体积差异的能力.
主要方法:
- 基于深度学习的大脑细分 (DLS) 方法被用于自动化分析.
- 在21名患有SCN1A突变的儿科患者和42名健康对照患者中分析了大脑体积 (整体,皮质,皮下).
- DLS结果与使用Freesurfer与手动校正测量的体积进行了比较.
主要成果:
- 在健康对照中,DLS与Freesurfer的灰色和白质总体体积具有很高的一致性.
- 在68个皮层分片体中的7个中观察到微小的差异,随着年龄的增长而减少.
- 与对照人群相比,DLS方法在SCN1A突变患者中成功发现了减少的大脑体积.
结论:
- 自动 DLS 方法是 Freesurfer 的可靠且兼容的替代方案,用于儿童大脑体积的手动校正.
- DLS有效地检测神经发育障碍儿童的大脑形态变化.
- 这种自动化方法为儿科神经成像研究中高效准确的分析提供了一个有前途的工具.
