基于深度学习的早产儿神经发育评估
计算机视觉与模式识别
2026-01-21 v1
摘要
早产儿（胎龄28至37周出生）面临较高的神经发育迟缓风险，因此早期识别对于及时干预至关重要。虽然基于深度学习的脑部MRI扫描体积分割为评估新生儿神经发育提供了一条有前景的途径，但由于早产儿在早期大脑发育过程中MRI上的白质（WM）和灰质（GM）信号强度相近（等信号表现），实现对其的精确分割仍然具有挑战性。为解决这一问题，我们提出了一种名为层次密集注意力网络的新型分割神经网络。我们的架构结合了三维空间-通道注意力机制与注意力引导的密集上采样策略，以增强低对比度体积数据中的特征区分能力。定量实验表明，与最先进的基线方法相比，我们的方法实现了更优的分割性能，有效应对了等信号组织区分的挑战。此外，应用我们的算法证实，早产儿的白质和灰质体积显著低于足月儿，为早产相关的神经发育迟缓提供了额外的影像学证据。代码可在以下链接获取：https://github.com/ICL-SUST/HDAN。
引用
@article{arxiv.2601.11944,
title = {Deep learning-based neurodevelopmental assessment in preterm infants},
author = {Lexin Ren and Jiamiao Lu and Weichuan Zhang and Benqing Wu and Tuo Wang and Yi Liao and Jiapan Guo and Changming Sun and Liang Guo},
journal= {arXiv preprint arXiv:2601.11944},
year = {2026}
}
备注
27 pages, 8 figures