在大脑中的西尔维亚裂的自动细分 超声波 预产婴儿的图像 使用深度学习模型
María Regalado1, Nuria Carreras2, Christian Mata3
1Research Institute of Computer Vision and Robotics, University of Girona, Girona, Spain; Neonatal Brain Research Group, Institut de Recerca Sant Joan de Déu, Barcelona, Spain.
Ultrasound in medicine & biology
|December 15, 2024
概括
使用头骨超声波 (cUS) 在早产婴儿中自动化大脑突细分是可以通过深度学习实现的. 通过cUS成像,ResU-Net模型显示了通过cUS成像改善婴儿大脑发育分析的前景.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 头骨超声波 (cUS) 是早产婴儿的主要成像方法.
- 精确细分大脑硫对于监测神经发育至关重要.
- 现有的硫细分方法往往是手动的,耗时的.
研究的目的:
- 开发和评估深度学习模型,用于在早产婴儿中使用cUS.
- 为了比较U-Net和ResU-Net架构对此任务的性能.
- 评估模型在不同超声波供应商的通用性.
主要方法:
- 深度学习模型 (U-Net和ResU-Net) 被训练用于cUS图像上的西尔维亚裂细分.
- 用单一供应商数据集的交叉验证来评估性能.
- 使用微调技术将模型适应多供应商数据集.
主要成果:
- 在交叉验证中,ResU-Net以0.777和0.784的子和灵敏度得分实现了竞争性表现.
- 在外部数据集上的模型性能因图像与训练数据的相似性而异.
- 由于剩余的连接,ResU-Net表现出比U-Net更好的性能.
结论:
- 深度学习,特别是ResU-Net,提供了一种可行的方法,用于cUS.
- 这项技术可以增强对婴儿大脑发育的理解,并识别发育异常.
- 自动细分可以改善预测早产婴儿后期的功能结果.
