在临床记录的视频中,基于深度学习的远距离解剖标志的无标记追踪用于评估与神经发育状态相关的婴儿运动模式
Hamid Abbasi1, Sarah R Mollet1, Sian A Williams2,3
1Auckland Bioengineering Institute (ABI), University of Auckland, Auckland, New Zealand, New Zealand.
Journal of the Royal Society of New Zealand
|December 16, 2024
概括
使用深度学习的自动婴儿运动分析现在可以跟踪远端四肢旋转,这对于早期发现神经发育障碍,如脑至关重要.
科学领域:
- 生物医学工程 生物医学工程
- 发育神经科学的发展神经科学.
- 医疗成像医学成像
背景情况:
- 婴儿的异常总动作 (GM) 是神经发育障碍的关键指标,例如脑.
- 自动通用运动评估 (GMA) 平台可以提高早期识别有风险的婴儿.
- 以前的深度学习模型准确地跟踪了四肢纵向轴,但错过了关键的旋转数据.
研究的目的:
- 开发和验证一种深度学习模型,能够准确地捕捉婴儿的远端四肢旋转运动.
- 通过结合旋转数据来提高自动化通用运动评估 (GMA) 的准确性.
- 通过先进的婴儿姿势重建,增强神经发育障碍的早期检测.
主要方法:
- 使用了一个ResNet-152深度神经网络模型.
- 在26个不同的视频中训练模型,将实验室和临床数据结合起来.
- 专注于改善远端四肢地标的准确性,这些地标以前难以追踪.
主要成果:
- 在远端四肢地标跟踪中实现了>85%的准确性.
- 在24个地标实现了98.28% (SD 2.29) 的整体精度.
- 证明增加数据多样性和样本大小可以提高对具有挑战性的远端标记物的性能.
结论:
- 开发的深度学习方案有效地捕捉了临床相关的婴儿旋转运动.
- 这种方法为自动化GMA的健壮婴儿姿势重建奠定了基础.
- 改进的自动化GMA对神经发育障碍的早期和更准确的查具有重大潜力.
