利用深度学习算法从远端前臂和手腕获得的超声波自动细分中枢神经
Amad Qureshi1, Kyle Tse2,3, Siddhartha Sikdar1
1Department of Bioengineering, George Mason University, Fairfax, VA 22030, USA.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
这项研究增强了使用超声波对手综合征 (CTS) 诊断的自动细分. 有针对性的数据增强显著改善了中枢神经横截面积测量,以进行可靠的,独立于地点的评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 带道综合征 (CTS) 是一种常见的神经陷.
- 超声波提供有效的中枢神经可视化.
- 用于横截面积 (CSA) 测量的自动细分缺乏跨站点的稳定性和扫描质量.
研究的目的:
- 评估U-Net模型用于自动中枢神经细分和CSA估计.
- 用基于强度的增强来提高细分模型的通用性和稳定性.
- 为了实现对CTS诊断进行一致的,场所独立的CSA评估.
主要方法:
- 一个四层U-Net模型被训练在手腕和远端前臂的数据集上.
- 基线模型在新的静止图像上进行了测试,以评估概括性.
- 基于强度的增强 (CLAHE,马校正,斑点噪声) 用于提高模型性能.
主要成果:
- 基线模型对新图像的概括性很差 (前臂 IoU/Dice: 0.185/0.254;手腕 IoU/Dice: 0.137/0.188).
- 增强模型显著改善了概括性 (前臂 IoU/Dice: 0.408/0.533;手腕 IoU/Dice: 0.705/0.820).
- 最终的模型获得了高的Dice/IoU得分 (前臂:0.94/0.89;手腕:0.96/0.92),与手动CSA测量有很好的相关性.
结论:
- 基于强度的有针对性的增强大大提高了中枢神经细分的模型概括性.
- 改进后的模型可以进行可靠,可重复和独立于地点的CSA评估.
- 这种方法支持可扩展的,基于超声波的手腕道综合征诊断.
