基于人工智能的3D胎儿大脑细分的临床分级:胎儿神经成像中的深度学习的跨供应商评估

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胎儿的发育 胎儿的发育

背景情况:

• 胎儿大脑结构的自动细分对于产前诊断至关重要.
• 现有的深度学习模型需要对不同超声波供应商的不同数据集进行验证.
• 诸如子相似系数 (DSC) 这样的定量指标可能无法完全捕捉临床相关性.

研究的目的:

• 评估自动化胎儿大脑细分方法在来自不同供应商的新型3D超声数据集上的性能.
• 引入一个专注于临床医生的视觉评估框架,以补充DSC.
• 评估深度学习细分的稳定性和临床可用性.

主要方法:

• 深度学习模型被应用到细分腔隔膜光和光 (CSPV),侧向后心室角 (LPVH),胆管 (ChP),小脑 (CBM) 和皮质板 (CoP).
• 分析了来自141个胎儿 (19-26+6周怀孕) 的270个体积的队列.
• 分段被视觉分级 (1-4) 并与DSC一起分析为充足 (1+2) 或不足 (3+4).

主要成果:

• 总体上观察到高分段质量 (87.2%充足),其中CSPV,ChP和CBM表现最好 (>90.5%充足).
• 在LPVH中,表现最低 (73.9%的充分性).
• 观察者内部和观察者间的一致性在82.1%至92.7%之间,表明可靠性很好.

结论:

• 深度学习细分方法在来自不同供应商的新型3D超声波数据集上表现出强度和可靠性.
• 将视觉评估与定量指标相结合,可以提高解剖学准确性和临床适用性的评估.
• 这些发现支持在常规临床实践中使用自动细分用于胎儿神经成像.