基于深度学习的自动指关节细分在3D超声图像中,具有有限的数据集

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 类风湿病学 类风湿病学

背景情况:

• 超声波成像显示了在早期类风湿性关节炎 (RA) 中检测同膜炎的潜力.
• 精确量化RA需要精确的突细胞识别和炎症生物标志物测量.
• 目前的RA评估方法可能是劳动密集型,缺乏标准化.

研究的目的:

• 开发和验证一种基于深度学习的自动化方法,用于RA受影响的手指关节的超声波图像中的突细分.
• 用医学成像来提高类风湿性关节炎炎炎症量化的准确性和效率.
• 从稀疏的注释生成3D细分图,用于全面的RA分析.

主要方法:

• 利用两个卷积神经网络架构进行二维图像细分.
• 从9名类风湿性关节炎患者的超声波图像上训练并验证的模型 (18个3D卷).
• 采用几何和噪声增强策略,通过六倍交叉验证获得0.768 ± 0.040的高子得分.

主要成果:

• 深度学习模型成功地在超声波图像中自动化了突膜细分.
• 几何和噪声增强显著改善了细分性能.
• 从稀疏的注释生成了密集的3D细分图,证明了模型的实用性.

结论:

• 开发的深度学习技术为使用超声波进行高效和标准化的RA查提供了一个有希望的方法.
• 自动化突膜细分可以帮助更准确的RA分类和监测.
• 这种人工智能驱动的方法有可能简化类风湿性关节炎诊断的临床工作流程.