基于GNN的结构信息,以改善早期脑损伤后儿童的基于DNN的基底腺细分

科学领域:

• 神经成像和计算神经科学
• 儿科神经学 儿科神经学
• 医学图像分析 医学图像分析

背景情况:

• 准确的基底性质细分对于理解感官运动功能至关重要,特别是在儿童早期脑损伤后.
• 标准的深度神经网络 (DNN) 分段方法与病变变性作斗争,影响儿科患者的准确性.
• 新生儿动脉缺血性中风 (NAIS) 在儿童MRI中对皮下结构细分提出了独特的挑战.

研究的目的:

• 为了提高基于深度神经网络 (DNN) 的基底腺细分在儿科大脑MRI中的稳健性和准确性.
• 引入一种新的后处理方法,使用图形神经网络 (GNN) 来改进DNN细分输出.
• 评估拟议方法在对健康儿童和患有新生儿动脉缺血性中风 (NAIS) 的儿童的基底腺节细分方面的有效性.

主要方法:

• 一种混合方法,将深度神经网络 (DNN) 与图形神经网络 (GNN) 结合起来,用于后处理细分.
• 该GNN利用图表上的节点分类编码类概率和来自DNN细分的空间信息.
• 使用三个DNN骨干 (U-Net,UNETr,MSGSE-Net) 对健康儿童和患有NAIS的儿童进行评估.

主要成果:

• 细分性能显著改善,由增加的子中位数得分和减少的中位 Hausdorff 距离 (HD) 证明.
• 在健康儿童中,HD从36.45降至2.57 (93%降低);在NAIS患者中,HD从40.64降至3.50 (91%降低).
• 该方法表现出对小型训练数据集的弹性,并在NAIS患者的非受伤半球中保持性能.

结论:

• 拟议的DNN-GNN混合方法显著提高了儿科大脑MRI中基底腺节细分的准确性和稳定性.
• 这种方法为分析儿科患者的大脑结构提供了一个有前途的解决方案,特别是那些像NAIS这样的早期脑病变患者.
• 该方法对有限数据的适应性使其在罕见的儿科病理和临床应用中具有价值.