基于深度学习的视觉复杂性分析电脑图像的时间频率图像:它可以定位大脑中的发性区域吗?
Navaneethakrishna Makaram1, Sarvagya Gupta1, Matthew Pesce1
1Fetal-Neonatal Neuroimaging and Developmental Science Center, Division of Newborn Medicine, Department of Medicine, Boston Children's Hospital, Harvard Medical School, Boston, MA 02115, USA.
Algorithms
|December 23, 2024
概括
一个新的深度学习工具分析了大脑信号的复杂性,以确定抗药性中引起的区域. 这种方法可以帮助外科医生准确地定位发性区域 (EZ),以获得更好的结果.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 耐药性需要精确定位发性区域 (EZ),以指导神经外科手术.
- 视觉检查内脑电图 (iEEG) 信号和时间频率 (TF) 图像是标准的,但可能会错过微妙的指标.
研究的目的:
- 开发和评估基于深度学习的视觉复杂度指标,用于解释iEEG TF图像.
- 评估该指标在耐药性患者中识别EZ的能力.
主要方法:
- 分析了20名患有耐药性的儿童的iEEG数据,使用1928年的接触者.
- 从预先训练的VGG16网络使用无监督激活能量 (UAE) 生成TF图像 (1-70 Hz) 并测量视觉复杂性.
- 使用阿联值和支向量机器分类器识别了潜在的EZ.
主要成果:
- 与外界相比,发作区域内的接触者在阿联显著较低,特别是在更深的卷积层 (p < 0.001).
- 支持矢量机器方法以7毫米的精度定位了EZ.
结论:
- 使用阿联的新型深度学习工具为EZ本地化提供了计算机化的方法.
- 这种方法通过解释iEEG TF图像来帮助手术前的规划,减少了对广泛视觉检查的依赖.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
20.2K
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
2.5K
