从横截图图像进行个性化表型编码和病态头部发育预测
Connor Elkhill1, Ines A Cruz-Guerrero1, Jiawei Liu1
1Department of Biostatistics and Informatics, Colorado School of Public Health, Aurora, CO.
概括
这项研究引入了一种新的深度学习模型,用于预测儿童的头部发育,即使存在现有病理. 它只使用当前数据实现了个性化增长预测,改善了手术规划.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确预测解剖发育对于儿科手术至关重要.
- 年轻患者的快速生长和潜在的病理学复杂化了解剖学变化的预测.
研究的目的:
- 提出一种新的深度学习架构,用于对规范性和病理性头部发育进行个性化预测.
- 为了使准确的预测只使用横截面数据,克服了对纵向数据的需求.
主要方法:
- 使用域对抗训练开发了一个新的表型编码器,用于年龄和性别独立的表示.
- 创建了一个增长预测器,根据年龄,性别和病理产生头部形状.
- 在CT图像和3D摄像头上训练模型,根据纵向数据进行评估.
主要成果:
- 在头部表面生长预测方面取得了高准确度 (4.93 ± 2.29毫米用于病理学,4.61 ± 3.28毫米用于规范性).
- 证明了较低的体积误差 (0.16 ± 0.11 L用于病理,0.27 ± 0.19 L用于规范).
- 成功创建了不依赖年龄和性别的表型表征.
结论:
- 拟议的深度学习模型可以在没有纵向数据的情况下对病态头部发育进行个性化预测.
- 这种方法显著提高了通过准确预测解剖变化来规划儿科外科治疗的能力.
- 该方法在为健康和病理受影响的个体创造患者特异性发育预测方面取得了突破.
