从3DMRI使用两个深度学习模型自动评估不成比例地扩大的脑下沟空间头

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 不成比例地扩大脑下下空间水脑 (DESH) 是哈基姆病 (异常正常压力水脑,iNPH) 的关键,但主观的指标.
• 准确客观地评估DESH对于及时诊断和管理iNPH至关重要.
• 目前对DESH的诊断方法依赖于对MRI扫描的主观解释.

研究的目的:

• 开发和验证基于深度学习的方法,用于DESH的自动定量评估和细分.
• 创建一个诊断支持工具,以提高哈基姆病 (iNPH) 诊断的精度.
• 结合3D U-Net和多模式卷积神经网络 (CNN) 模型,以增强DESH检测.

主要方法:

• 利用180名参与者的数据集 (42名iNPH患者,138名对照) 进行3DT1加权和T2加权MRI扫描.
• 采用3D U-Net用于心室,脑下空间 (SAS) 和特定头骨区域的自动语义细分.
• 应用多式CNN用于图像分类,自动评估DESH,心室扩张 (VD),紧张的硫 (THC) 和西尔维亚裂扩张 (SFD).

主要成果:

• 通过使用T1/T2MRI,获得精确的心室自动区域提取 (迪斯分数:0.85/0.83) 和西尔维亚裂/基底水库 (0.70/0.69).
• 证明了可靠的DESH和相关指标的自动评估,具有高软max概率得分 (>0.95).
• 在检测DESH方面取得了出色的表现,ROC曲线下的面积在关键指数中超过0.97.

结论:

• 成功开发了一个使用深度学习 (3D U-Net和多式联网CNN) 的自动化系统,用于从3DMRI中检测DESH.
• 自动细分和分类方法显著提高了哈基姆病 (iNPH) 诊断的精度.
• 这种人工智能驱动的诊断支持工具在客观评估iNPH方面提供了有希望的进步.