PADS-Net:基于GAN的放射学,使用多任务的无声化和细分网络进行帕金森病的超声波诊断
Yiwen Shen1, Li Chen2, Jieyi Liu1
1The SMART (Smart Medicine and AI-based Radiology Technology) Lab, Shanghai Institute for Advanced Communication and Data Science, Shanghai University, Shanghai, China; Key Laboratory of Specialty Fiber Optics and Optical Access Networks, School of Communication and Information Engineering, Shanghai University, Shanghai, China.
我们开发了PADS-Net,这是一款深度学习工具,用于对帕金森病 (PD) 诊断的脑超声波图像进行否定和细分. 这种方法可以提高PD评估的图像质量和诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 帕金森病 (PD) 诊断依赖于准确的成像.
- 超超声 (TUS) 显示了PD评估的潜力,但受到噪音和细分挑战的影响.
研究的目的:
- 开发一个深度学习模型,PADS-Net,用于同时消除和细分TUS中脑图像.
- 通过改进的图像分析来提高PD诊断的准确性.
主要方法:
- PADS-Net使用了一个具有多任务深度学习框架的生成对抗网络.
- 一个复合损失函数 (MAE,MSE,Dice损失) 和放射学是集成的.
- 一个四分支合奏模型分析中脑区域进行诊断.
主要成果:
- 为了降低噪声,PADS-Net实现了边缘与噪声比率为16.90.
- 中脑细分的准确性达到了0.91.9的子系数.
- 诊断模型获得了0.87的AUC,用于PD检测.
结论:
- PADS-Net有效地拒绝和分割TUS图像用于PD评估.
- 集成的放射学和组合模型提高了诊断性能.
- PADS-Net为准确诊断帕金森病提供了一个有前途的临床工具.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023