基于深度学习的胎盘和子宫腔的自动细分,基于产前MRI图像
James Huang1,2, Quyen N Do3, Maysam Shahed1,2
1Department of Bioengineering, The University of Texas at Dallas, TX.
概括
这项研究开发了一种自动化的深度学习工具,用于对子宫和胎盘MRI扫描进行细分. 这种方法有助于分析妊娠并发症,如胎盘增殖谱.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 磁共振成像 (MRI) 为怀孕期间胎儿和胎盘并发症提供了宝贵的见解.
- 对子宫腔和胎盘的准确细分对于有效分析诸如胎盘增殖谱等疾病至关重要.
研究的目的:
- 开发和评估一个深度神经网络,从母亲的MRI数据中完全自动对子宫腔和胎盘进行细分.
- 建立一种自动化方法来分析胎盘异常,并评估胎盘增生谱等疾病的风险.
主要方法:
- 一个深度神经网络被训练使用241名孕妇的轴向和斜腰MRI数据集.
- 该模型在MRI图像卷中进行了子宫腔和胎盘的全自动3D细分.
主要成果:
- 该模型实现了高准确性,在形数据集上,子宫腔的平均形相似系数 (DSC) 为92%,胎盘为82%.
- 在轴向数据集上,该模型在子宫腔中达到87%的平均DSC,在胎盘中达到82%.
结论:
- 开发的自动细分方法代表了分析妊娠并发症的重大进步.
- 这种工具是创建先进分析工具的基础步骤,用于评估孕妇胎盘增殖谱的风险.
