在使用深度学习模型的2岁儿童中,对脑CT体积的自动细分和定量分析
Fengjun Xi1, Liyun Tu2, Feng Zhou2
1Department of Radiology, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Frontiers in neurology
|May 9, 2025
概括
这项研究开发了一种自动化的深度学习方法,用于细分儿科大脑CT扫描,为2岁儿童创建规范数据库. 该ResU-Net模型为临床研究提供准确的大脑体积测量.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 儿科放射学 儿科放射学
背景情况:
- 在儿科CT扫描中精确量化大脑体积对于临床评估和研究至关重要.
- 现有的儿童大脑细分方法可能是劳动密集型的,可能缺乏标准化.
- 建立早期儿童大脑发育的规范性参考数据是必不可少的.
研究的目的:
- 开发和验证一种自动化的深度学习方法,用于对健康的2岁儿童的脑CT图像进行细分.
- 量化区域大脑容量,并建立一个规范性参考数据库.
- 为了比较不同内核大小的ResU-Net模型与标准3D U-Net的性能.
主要方法:
- 一项回顾性研究包括1487名儿科头部CT扫描 (2岁儿童).
- 该ResU-Net深度学习模型被训练并验证为大脑图像细分.
- 使用子相似度评分来评估表现;区域体积得出并对性别,半球和年龄相关性进行统计分析.
主要成果:
- 该 ResU-Net 模型实现了高细分精度 (在测试集上达到了 0.96 的迪斯系数).
- ResU-Net (3,3,3) 的表现优于其他模型,包括基线3D U-Net (0.88).
- 通过性别和半球观察到大脑体积的显著差异,大脑体积和年龄之间存在正相关性.
结论:
- 深度学习,特别是ResU-Net模型,在儿科CT成像中有效用于自动化大脑细分.
- 这项研究为2岁儿童的规范大脑体积提供了可靠的参考.
- 这些发现为临床评估和研究奠定了基准,补充了MRI数据,并解决了对可访问的儿科神经成像标准的需求.
