RNN-AHF框架:在MRI图像中增强低毒性缺血性脑病损伤区域的多焦性质,使用优化的粗神经网络重量和反同型波器

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 新生儿神经病学 新生儿神经病学

背景情况:

• 在新生儿大脑MRI中,缺氧缺血性脑病变 (HIE) 病变的增强是困难的,因为它具有扩散性,小尺寸和低对比度.
• 损伤分类受到不清晰的边界和边缘阻碍,这些边界和边缘是由工件和信号混合引起的.
• 现有的增强算法因工件及其扩散特征而与HIE病变作斗争.

研究的目的:

• 提出一种新的框架,用于增强新生儿大脑MRI图像中的缺氧缺血性脑病变 (HIE) 病变区域.
• 通过提高图像质量,提高HIE病变分类的准确性.

主要方法:

• 一个粗略的神经网络和反同型波器 (RNN-AHF) 框架的开发.
• 该框架减少了像素的维度,删除了无关的像素,并保留了必要的像素以进行增强.
• 使用优化的神经重量和适应性增强的训练功能.

主要成果:

• RNN-AHF框架有效地减少了特征空间维度,并优化了像素选择.
• 它通过学习具有差异神经网络重量的像素模式来实现适应性增强.
• 在保持边界和边缘的同时,实现了HIE损伤区域的高对比度增强.

结论:

• 拟议的RNN-AHF框架显著增强了HIE病变的可视化.
• 该框架在损伤图像增强和分类方面达到约93.5%的准确性.
• 这种性能超过了HIE病变分析的传统算法.