SEPoolConvNeXt:一种深度学习框架,用于使用T1和T2加权MRI自动分类新生儿大脑发育
Gulay Maçin1, Melahat Poyraz2, Zeynep Akca Andi3
1Department of Radiology, Beyhekim Training and Research Hospital, Konya 42090, Turkey.
Journal of clinical medicine
|October 29, 2025
概括
一个新的深度学习模型,SEPoolConvNeXt,使用MRI扫描准确地分类新生儿大脑发育,优于现有方法. 这种人工智能工具有助于早期发现婴儿发育异常.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 新生儿和婴儿的大脑发育涉及快速的髓化和皮质成熟,对于评估规范轨迹和检测异常至关重要.
- 使用MRI对大脑发育进行自动分类是具有挑战性的,因为有重叠的发育阶段和性别特异的变异.
研究的目的:
- 介绍SEPoolConvNeXt,这是一个新的深度学习框架,用于细粒度分类新生儿大脑发育.
- 评估SEPoolConvNeXt的性能与已建立的卷积神经网络 (CNN) 模型相比,使用T1和T2加权的MRI序列.
主要方法:
- 开发了SEPoolConvNeXt,集成剩余连接,分组卷积,并引导注意力进行高效和差别分析.
- 使用了29516张MRI图像的数据集,分为四个子组 (T1男性,T1女性,T2男性,T2女性),分为14个年龄类 (0-12个月).
- 在相同的实验条件下,比较了SEPoolConvNeXt与19个预训练CNN的性能.
主要成果:
- SEPoolConvNeXt的测试准确度始终在95%以上,明显超过了基线CNN (平均约70.7%).
- 在所有子组中观察到高精度,T2女性达到99.47%-100%,T1男性超过98%.
- 该模型表现出强大的概括性,大多数子组在组合评估中超过98-99%的准确性.
结论:
- SEPoolConvNeXt为评估新生儿大脑成熟提供了一个强大,高效和生物相关的框架.
- 该模型能够整合性别和年龄特定的发育轨迹,为人工智能辅助的神经发育评估提供了基础.
- 这种方法对临床翻译有希望,特别是在监测高风险婴儿 (如早产婴儿) 时.
