修改后的UNet增强超声波优秀的微血管成像功能提取和分级的手腕道综合征的手腕道综合征

科学领域:

• 医疗成像医学成像
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 管综合征 (CTS) 是最常见的中枢神经 (MN) 陷神经病变,影响中年,老年人和职业暴露的人.
• 在病理上,CTS涉及中枢神经的压缩和手掌道内的微循环障碍.
• 当前的电诊断方法虽然是标准的,但在患者的服从性,舒适性和对轻度病例的敏感性方面存在局限性.

研究的目的:

• 开发和验证一种客观的方法,以使用先进的成像和人工智能来分级手腕道综合征 (CTS) 的严重程度.
• 将超快速的超级微血管成像 (SMI) 与用于定量微血管特征提取的深度学习模型集成.
• 与专家评估相比,评估这种新方法的准确性和可靠性.

主要方法:

• 使用超快速的超级微血管成像 (SMI) 来捕捉中枢神经的纵向和横向 cine 循环.
• 采用了改进的UNet细分模型,并提供交叉平面分类指导,用于精确的微血管区域细分.
• 提取了六个SMI衍生的几何特征,并应用了非线性二次回归模型来对CTS严重程度进行分级.

主要成果:

• 由人工智能驱动的模型实现了93.7%的整体分类准确度,在CTS分级的交叉验证中AUC为0.95.
• 独立的盲目验证表明与专家超声波学家有很强的一致性 (Kappa = 0.87).
• 与传统的UNet相比,改进的UNet模型显示出更高的细分性能.

结论:

• 高时空SMI与解剖意识深度学习模型相结合,使可重复的微血管几何提取成为可能.
• 这种方法支持强大的,非侵入性分级的手道综合征 (CTS).
• 这项技术有可能使用便携式超声波设备进行护理点查和床边监测.