用深度卷积神经网络对大脑多巴胺转运器扫描中的基核进行解释
Hsin-Yung Chen1,2, Ya-Ju Tsai2, Syu-Jyun Peng1,3
1In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, .
Nuclear medicine communications
|February 18, 2025
概括
深度学习模型准确地解释多巴胺载体 (DAT) SPECT扫描用于帕金森病 (PD) 诊断. 这种人工智能工具通过分析条状神经元退化来提高诊断准确性,帮助临床医生识别PD.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 通过SPECT进行多巴胺载体 (DAT) 成像对于评估帕金森病 (PD) 中的多巴胺基神经元退化至关重要.
- 目前的解释方法 (视觉,半定量) 存在主观性和操作员依赖性.
- 需要客观的,自动化的方法来提高PD诊断的准确性.
研究的目的:
- 开发和评估用于解释DAT SPECT扫描的深度学习模型.
- 通过自动化图像分析,促进帕金森病 (PD) 的临床诊断.
- 为了评估转移学习的有效性,使用预训练的模型来对条状多巴胺基神经元退行症分类进行分类.
主要方法:
- 对416名患有不确定的帕金森综合征的患者的DAT SPECT扫描进行了追溯分析.
- 利用转移学习与预训练模型 (Xception,InceptionV3,ResNet101) 进行图像分类.
- 在尾部和部的分类条状多巴胺基神经元退化.
主要成果:
- 与InceptionV3和ResNet101.1.相比,Xception模型表现出优越的性能.
- 在分类尾状变性 (81.93%) 和形变性 (88.75%) 中取得了高准确性.
- 这些模型产生了显著的宏观F1分数和kappa值,表明可靠的分类.
结论:
- 深层卷积神经网络提供了一个强大的模型来解释DAT SPECT基底腺的扫描.
- 开发的AI工具可以作为图像解释的辅助工具.
- 这种方法有可能提高帕金森病的诊断准确性.
更多相关视频
14:21Creating Dynamic Images of Short-lived Dopamine Fluctuations with lp-ntPET: Dopamine Movies of Cigarette Smoking
Published on: August 6, 2013
18.2K
06:09Semi-Quantitative Determination of Dopaminergic Neuron Density in the Substantia Nigra of Rodent Models using Automated Image Analysis
Published on: February 2, 2021
4.4K
