用多模态MRI和深度学习框架检测焦点皮层发育不良 (II型).
Anand Shankar1, Manob Jyoti Saikia2, Samarendra Dandapat3
1Department of Electronics and Communication Engineering, Indian Institute of Information Technology Guwahati, Guwahati, Assam, 781015, India.
Npj imaging..
|July 2, 2025
概括
焦点皮层发育不良II型 (FCD-II),一种导致的脑形,可以使用深度学习 (DL) MRI技术有效地分析. DenseNet201模型在识别FCD-II方面表现出卓越的性能,有助于诊断和治疗规划.
科学领域:
- 神经成像是一种神经成像.
- 医疗人工智能 医疗人工智能
- 发育神经科学的发展神经科学.
背景情况:
- 焦点皮质失生症II型 (FCD-II) 是一种与耐药性和认知缺陷有关的大脑重大形.
- 磁共振成像 (MRI) 分析对于FCD-II诊断,手术规划和术后护理至关重要.
- 深度学习 (DL) 为提高FCD-II分析的准确性和效率提供了潜力.
研究的目的:
- 确定最适合的深度学习 (DL) 模型来分析磁共振成像 (MRI) 数据的焦点皮层发育不良II型 (FCD-II).
- 评估不同DL模型在各种MRI模式和图像平面中的FCD-II检测的性能.
主要方法:
- 一项综合性研究评估了六种不同的深度学习 (DL) 模型.
- 分析包括T1w和FLAIRMRI模式跨轴,冠状和斜面平面.
- 人口 (年龄,性别) 和临床 (半球,叶片) 数据被纳入分析.
主要成果:
- 在FCD-II.II分类中,DenseNet201模型表现出卓越的性能.
- DenseNet201实现了高精度,F1得分,以及ROC和PR曲线下的大面积.
- 该模型的有效性在不同的成像参数和患者特征中得到了证明.
结论:
- DenseNet201是一个非常适合的DL模型,用于从MRI数据中准确分析FCD-II.
- 这一发现支持将先进的DL技术整合到FCD-II诊断和患者管理中.
- 优化的DL分析可以显著提高FCD-II患者的术前规划和术后护理.
