一个基于注意力的半球关系推理网络用于围产期大脑年龄预测

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 估计婴儿大脑年龄对于评估神经发育和识别异常情况至关重要.
• 现有的深度学习模型往往由于对快速围产期大脑发育和横向化的考虑不足而不足.
• 围产期的特点是复杂而快速的大脑结构变化,使得准确的年龄估计具有挑战性.

研究的目的:

• 开发一种先进的深度学习模型,即基于注意力的半球关系推断网络 (HRINet),用于准确估计婴儿大脑年龄.
• 在早期发育过程中利用大脑结构横向化和半球间关系来提高性能.
• 评估HRINet在识别早产新生儿脑发育延迟方面的临床实用性.

主要方法:

• 提出了一个基于注意力的半球关系推断网络 (HRINet),结合图表注意力机制来捕捉半球间的关系.
• 使用皮质折叠指标 (平均曲率和深) 来自开发人类结合体项目 (dHCP) 数据库中的531名新生儿.
• 在甘省妇幼医院的独立数据集上验证了模型的概括性.

主要成果:

• 在估计围产期大脑年龄方面,HRINet显著优于基准模型,平均绝对误差为0.53和R平方为0.89.
• 该模型在不同的数据集中显示出强大的通用性.
• 对早产婴儿扫描的应用揭示了预测的大脑年龄明显低于时间表年龄,表明发育延迟.

结论:

• HRINet是估计婴儿大脑年龄的有效和通用工具,准确地反映了围产期大脑发育.
• 该模型在早产婴儿中检测发育迟缓的能力突显了其潜在的临床意义.
• HRINet为评估新生儿大脑成熟度和指导早期干预提供了一种有前途的方法.