FetalBrainAwareNet:将GAN与胎儿超声波脑平面合成的解剖洞察力相结合

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 深度学习 (DL) 算法在超声波 (美国) 中对胎儿头部标准平面识别有希望,但受到稀缺的注释数据的限制.
• 缺乏大量多样化的数据集,阻碍了临床采用DL用于胎儿美国分析.

研究的目的:

• 开发一个创新的框架,FetalBrainAwareNet,用于合成解剖学精确的胎儿头部标准平面 (FHSPs) 超声图像.
• 通过用合成图像增强训练数据集来提高DL算法的FHSP分类性能.

主要方法:

• FetalBrainAwareNet使用类激活地图作为条件对抗训练中的先验,以获得解剖学地标准确性.
• 专门的规范化术语控制胎儿头骨形态,并在合成图像中区分标准平面.
• 该框架在一个单一的综合系统中产生了三个主要的FHSP.

主要成果:

• FetalBrainAwareNet生成高质量,可变的合成美国图像 (Fréchet起始距离:88.52).
• 与仅使用真实数据相比,合成图像将FHSP分类器的准确性提高3.2%.
• 定性和定量分析证实了比最先进的方法更高的图像可变性.

结论:

• FetalBrainAwareNet有效地合成了解剖学上准确的FHSP超声波图像.
• 通过这些合成图像来增强训练数据,可以提高DL模型在FHSP分类中的性能.
• 这种方法为数据稀缺提供了可行的解决方案,促进了胎儿US中DL的临床整合.