基于双向投射的多模式融合变压器,用于早期检测婴儿脑

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科神经学 儿科神经学

背景情况:

• 周心室白质损伤 (PWMI) 是患有脑 (CP) 的婴儿常见的MRI发现.
• 在未成熟的婴儿大脑中检测微妙的PWMI病变是具有挑战性的.
• 早期发现CP对于及时干预至关重要.

研究的目的:

• 开发一种AI模型来检测两岁以下婴儿的CP.
• 使用多模态MRI数据识别微妙和稀疏的PWMI病变.
• 提高婴儿CP诊断的准确性和敏感性.

主要方法:

• 构建了243个婴儿MRI扫描 (T1WI和T2WI) 的多模式数据集,并对五个目标区域和病变进行了注释.
• 开发了一种基于双向投射的多模融合变压器 (BiP-MFT) 模型.
• 整合了T1WI解剖特征与T2WI损伤特征,使用双向投射融合模块 (BPFM).

主要成果:

• BiP-MFT模型实现了主体级分类准确度为0.90,特异性为0.87,灵敏度为0.94.
• 在准确度上表现比九种比较方法高0.10,在特异性上表现比0.08,在灵敏度上表现比0.09.
• 与其他八种特征融合策略相比,BPFM模块表现出卓越的性能.

结论:

• 开发的BiP-MFT模型通过识别PWMI病变,有效地检测婴儿的脑麻.
• 多模数据集和融合变压器方法为儿科神经成像分析提供了一个有前途的方向.
• 该研究提供了一种经过验证的方法和公开可用的资源,用于推进CP研究.