基于超声成像的深度学习辅助下肚脑中枢神经系统异常检测与分类的多中心研究
图像与视频处理
2025-01-07 v1 人工智能
计算机视觉与模式识别
摘要
产前超声曾用于评估胎儿生长并在怀孕期检测先天异常，但超声图像的检查需要专业人员和高端设备，否则将无法提高识别特定类型胎儿中枢神经系统（CNS）异常的率，并导致不必要的患者检查。我们构建了一个深度学习模型以提高产前诊断胎儿脑震荡异常的总体准确率。我们收集的多中心胎儿脑震荡异常数据集覆盖四种典型的胎儿中枢神经系统（CNS）异常：脑空窘、脑膜剥脂（包括膜剥脂）、前额叶融合不全和脊髓裂。患者水平的预测准确率达到 94.5%，AUROC 值为 99.3%。在子组分析中，该模型适用于整个妊娠期，能够良好地识别任何妊娠期的胎儿异常类型。叠加在超声图像上的热图不仅为算法提供了可视化解释，也为医生提供了直观的视觉辅助，突出显示需要审查的关键区域，帮助医生快速识别和验证关键区域。最后，retrospective reader study 表明，通过将深度学习系统的自动预测与放射科医生的专业判断相结合，可有效提高诊断准确率和效率，并降低误诊率，这具有重要的临床应用前景。
引用
@article{arxiv.2501.02000,
title = {Multi-Center Study on Deep Learning-Assisted Detection and Classification of Fetal Central Nervous System Anomalies Using Ultrasound Imaging},
author = {Yang Qi and Jiaxin Cai and Jing Lu and Runqing Xiong and Rongshang Chen and Liping Zheng and Duo Ma},
journal= {arXiv preprint arXiv:2501.02000},
year = {2025}
}