基于深度学习的妊娠年龄估计来自多视图胎儿大脑磁共振成像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胎儿的发育 胎儿的发育

背景情况:

• 准确的妊娠年龄 (GA) 估计对于评估胎儿发育至关重要.
• 传统的方法 (LMP,超声波) 往往缺乏准确性,特别是在怀孕晚期.
• 深度学习 (DL) 和MRI通过分析胎儿大脑发育提供了改进的GA预测.

研究的目的:

• 开发DL模型用于GA预测,使用多视图胎儿大脑MRI.
• 将DL模型性能与传统的生物识别回归技术进行比较.

主要方法:

• 在1321个胎儿MRI扫描中训练和评估DL模型.
• 使用了一组外部测试,包括80个公共MRI扫描.
• 探索了转移学习与从头开始的培训以及单视图与多模式输入.

主要成果:

• 预先训练的ResNet-101模型实现了4.47天 (内部) 和6.57天 (外部) 的MAE.
• 在外部测试套件上,DL模型表现优于生物识别回归 (MAE 9.42天).
• 可解释性分析显示,侧心室,小脑和周围的大脑区域的重点.

结论:

• 多视图MRI和转移学习显著提高了GL模型对GA估计的准确性.
• 提出的DL方法超越了传统的生物识别回归.
• 该研究强调了在产前诊断中基于DL的GA估计的潜力.