将视觉变压器与UNet++集成,用于阿尔茨海默病中的海马体细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 海马是一个关键的大脑区域,也是阿尔茨海默氏症等神经退行性疾病的生物标志物.
• 从磁共振成像 (MRI) 中精确细分海马是具有挑战性的,但对于疾病诊断至关重要.
• 深度神经网络显示出自动化海马体细分的前景.

研究的目的:

• 开发和验证一种新的深度学习模型,用于在MRI中增强海马体细分.
• 为了提高海马细分的准确性和可靠性,用于生物标志物识别.

主要方法:

• 将视觉变压器 (ViT) 架构与UNet++架构集成,以创建一个新的细分模型.
• 通过临床专家进行的手动海马体追踪来验证拟议的模型.
• 使用子系数得分进行定量评估.

主要成果:

• 拟议的基于ViT的模型在海马细分方面获得了0.885的Dice分数.
• 该模型在与类似的现有模型相比,表现出优越的性能, Dice 系数得分高出 2.82%.

结论:

• 新的ViT-UNet++模型为MRI中海马细分提供了一个更有效的策略.
• 这种先进的细分技术可以提高海马作为神经退行性疾病的生物标志物的实用性.