基于深度学习的自动细分和分类的大脑白质超强度的开发和验证
So Yeong Jeong1, Wooseok Jung2,3, Chong Hyun Suh4
1Department of Radiology, Seoul National University Bundang Hospital, Seoul National University College of Medicine, Seongnam, Republic of Korea.
European radiology
|December 15, 2025
概括
这项研究开发了一种人工智能模型,用于在认知障碍患者中自动对白质超强度 (WMH) 细分和分类. 该模型显示了高精度,提供了作为诊断支持工具的潜力.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 大脑小血管疾病大脑小血管疾病
背景情况:
- 白质高强度 (WMH) 是大脑小血管疾病的关键神经成像标志物.
- 准确量化WMH对于诊断和管理认知障碍至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于同时,自动的WMH细分和分类.
- 评估模型在认知障碍患者中的表现.
主要方法:
- 一项使用深度学习框架 (UNet与Resnet-34编码器) 进行细分的回顾性研究.
- 一个多任务多实例学习框架 (MTMIL) 用于基于Fazekas尺度的分类.
- 包含认知障碍患者的内部和外部验证数据集.
主要成果:
- 细分模型实现了0.72到0.88.8之间的Dice分数.
- 周周结膜和深层WMH的分类准确度在0.68到0.88.8之间.
- 该模型在内部和外部数据集上都表现出了强大的性能.
结论:
- 开发的深度学习模型在WMH细分和分类方面表现出高性能.
- 该模型显示了作为量化WMH评估的准确诊断支持工具的潜力.
- 这项技术可以帮助管理与WMH相关的认知障碍.
