使用深度学习的产前诊断:在超声图像中对平面定位和小脑细分的双重方法
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, India.
Journal of clinical ultrasound : JCU
|February 4, 2025
概括
这项研究引入了新的深度学习模型,使用超声波图像精确地定位和细分胎儿小脑,从而能够更早地预测神经发育障碍.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 神经发育障碍 神经发育障碍
背景情况:
- 胎儿超声波对于中期怀孕的评估至关重要.
- 胎儿小脑的精确定位和细分对于诊断神经发育障碍至关重要.
研究的目的:
- 开发用于神经发育障碍产前预测的深度学习技术.
- 用5个月超声波图像精确地定位和细分胎儿小脑.
主要方法:
- 开发了两个专门的卷积神经网络 (CNN) 架构:用于平面定位的差异CNN和用于小脑细分的双CNN.
- 不同的CNN使用六个卷积运算符来准确地定位平面.
- 双CNN集成原始图像和特征地图,以提高小脑细分的准确性.
主要成果:
- 拟议的CNN模型在平面定位 (98.6%准确度) 和小脑细分 (0.956子系数) 中实现了高性能.
- 这些结果超过了医疗图像分析中的现有方法.
结论:
- 这项研究展示了定制CNN架构在促进产前护理和神经发育障碍早期诊断方面的潜力.
- 特定任务的模型设计对于提高医学成像应用的准确性至关重要.
- 深度学习为医疗保健提供了显著的好处,特别是预测怀孕期间的神经发育障碍.
