一种基于深度学习的扩散张力成像病理自分析方法用于宫脊髓炎
Shuoheng Yang1,2, Junpeng Li1, Ningbo Fei2
1Spinal Division, Orthopedic and Traumatology Center, The Affiliated Hospital of Guangdong Medical University, Zhanjiang 524013, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
一个新的深度学习模型使用扩散张力成像 (DTI) 准确地分类宫脊髓炎 (CSM) 的严重程度. 这一基于DTI的CSM严重性评估网络 (DCSANet-MD) 有助于监测疾病进展和指导治疗.
科学领域:
- 医学成像
- 人工智能
- 神经学
背景情况:
- 宫脊髓病 (CSM) 是一种脊髓病.
- 准确评估CSM的严重程度对于患者的治疗至关重要.
研究的目的:
- 开发和评估深度学习模型,用于在CSM中自动分类脊髓病变的严重程度.
- 使用扩散张力成像 (DTI) 来量化CSM的严重程度.
主要方法:
- 开发了一种多维特征融合模型,DCSANet-MD,用于从DTI切片中提取2D和3D特征.
- 该模型包含一个功能集成机制,以增强空间信息表示.
- 评估使用了176名CSM患者的宫DTI数据和临床记录.
主要成果:
- 在两种严重程度分类中,DCSANet- MD模型实现了82%的准确性 (轻度与严重程度).
- 对三个类别 (轻度,中度,严重) 的分类策略产生了大约68%的准确性,超过了基线方法.
- 该模型在评估CSM严重性方面显示出显著的潜力.
结论:
- 基于深度学习的方法对基于DTI的CSM病理评估有希望.
- 提出的方法可以作为监测疾病进展的决策支持工具.
- 这种方法有助于指导CSM患者的干预策略.
