一个半监督的深度神经模糊代学习系统,用于海马大脑MRI自动细分
M Nisha1, T Kannan2, K Sivasankari3
1Department of Computer Science and Engineering, Akshaya College of Engineering and Technology, Coimbatore, Tamil Nadu, India.
Mathematical biosciences and engineering : MBE
|January 14, 2025
概括
这项研究引入了一种更快,更准确的方法,用于在脑MRI图像中对海马体进行细分,使用一种新的深度神经模糊技术. 这种新方法可以提高诊断准确度,以便更早地检测疾病.
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:
- 海马体是位于叶中部的海马形状结构,对记忆和空间导航至关重要.
- 从磁共振 (MR) 图像中精确细分海马,对于诊断神经疾病至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
研究的目的:
- 开发和评估一个自动化的海马细分技术.
- 与现有方法相比,提高准确性并减少虚假阳性/负率.
- 为了能够更快,更可靠地诊断与海马相关的疾病.
主要方法:
- 提出了一个新的半监督深度神经模糊代学习系统 (SS-DNFIL) 算法.
- 该算法通过半监督的代学习快速学习图像分布.
- 该技术在一大数据集上得到验证,包括18900张卡格尔MRI图像.
主要成果:
- 在SS-DNFIL取得了0.97子系数和0.93雅卡尔系数.
- 记录了高灵敏度 (0.95) 和特异性 (0.97).
- 观察到低虚假阳性 (0.09) 和虚假阴性 (0.08) 率,表现优于现有方法.
结论:
- 拟议的SS-DNFIL技术为自动海马细分提供了卓越的性能.
- 这种自动化方法显著提高了诊断的准确性和效率.
- 通过这种技术促进的早期和准确的诊断可以改善患者的结果和寿命.
