一个基于U-Net的模型的综合性基准测试,用于中脑自分段的跨超声谱
Hong-Yu Kang1, Wei Zhang2, Shuai Li1
1Department of Biomedical Engineering, The Hong Kong Polytechnic University, Hong Kong Special Administrative Region of China.
Computer methods and programs in biomedicine
|November 13, 2024
概括
nnU-Net模型提供了一种自动化,准确和强大的方法,用于在超图像中对中脑进行细分,从而改善帕金森病的诊断. 这种深度学习方法在细分协议和稳定性方面明显优于其他方法,即使在图像噪声下也是如此.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 越超声波 (TCS) 越来越多地用于帕金森病 (PD) 诊断.
- 精确的中脑细分对于基于TCS的PD分级至关重要.
- 目前的手动细分是耗时且容易产生偏差的.
研究的目的:
- 用TCS图像对深度学习模型进行自动中脑细分的基准测试.
- 在准确性,稳定性,效率和强度方面评估模型性能.
- 确定基于U-Net的最佳性能模型,用于客观的中脑自我细分.
主要方法:
- 追溯招募584名疑似患有PD的患者.
- 三个深度学习网络的培训和测试:U-Net,U-Net+++和nnU-Net.
- 使用DICE,IoU,豪斯多夫距离,稳定性指标,预测时间和对噪声的强度进行评估.
主要成果:
- nnU-Net实现了优越的细分协议 (DICE:0.910,IOU:0.836) 和时间效率 (1.456秒).
- 在各种噪音条件下 (盐和胡和高斯语),nnU-Net表现强,优于U-Net和U-Net+++.
- 在nnU-Net的性能下降是边际的,即使增加了噪音水平.
结论:
- nnU-Net是TCS中中脑自动细分的最佳模型,提供更高的准确性,稳定性和稳定性.
- 这种自动化方法为PD诊断提供了手动细分的客观替代方案.
- 进一步的多中心,多供应商研究建议用于临床实施.
