使用卷积神经网络对脑图进行自动点检测:一种两步方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 头脑测量分析对于诊断面异常至关重要.
• 准确识别解剖学标志对于诊断测量至关重要.
• 自动化脑表测量分析可以提高效率和一致性.

研究的目的:

• 开发和评估一个人工智能 (AI) 程序,用于自动化脑测量分析.
• 通过卷积神经网络在头脑测量图像上识别18个关键的面地标.
• 从已识别的地标高精度计算诊断角度.

主要方法:

• 设计了一个卷积神经网络 (CNN),有6个卷积层和2个亲系层.
• 图像预处理为800x800像素;培训涉及833个增强图像和179个测试图像.
• 采用了两步培训方法:128x128的初始全图像识别,然后对单个点进行基于块的培训.

主要成果:

• 人工智能计划成功识别了脑电图像上的18个关键点.
• 在地标识别中,平均误差为3.1像素.
• 包括SNA和SNB在内的计算角度显示出高精度,平均差异小于1°.

结论:

• 开发的AI程序展示了准确和高效的自动头脑测量分析的潜力.
• 两步培训策略有效地处理了图像复杂性,并改善了地标识别.
• 这种人工智能工具可以帮助诊断和治疗面障碍的治疗计划.