基于融合 MRI 序列的 3D 卷积神经网络模型用于婴儿神经发育年龄估计
图像与视频处理
2020-10-09 v1 机器学习
摘要
判断大脑发育是否正常的能力是儿科神经放射学和神经学的关键组成部分。婴儿的大脑磁共振成像（MRI）展示了超越单纯髓鞘化的特定发育模式。尽管放射科医生一直利用髓鞘化模式、大脑形态和大小特征来判断大脑成熟度是否与患者的实际年龄相符，但这需要多年的儿科神经放射学经验。由于缺乏标准化标准，三岁前的大脑成熟度估计仍然充满观察者间和观察者内的变异性。大脑发育年龄估计（BDAE）的客观测量工具可以帮助医生识别发育迟缓及其他神经系统疾病。我们研究了一种三维卷积神经网络（3D CNN），以使用常见 MRI 序列快速分类大脑发育年龄。从出生到 3 岁的正常新生儿 MRI 数据集来自国家精神卫生数据档案库。我们使用 3D CNN 开发了一种 BDAE 方法，利用 112 个独立受试者的 T1 加权序列，以及 T1 加权、T2 加权和质子密度（PD）序列的融合。在利用多种 MRI 序列确定 BDAE 时，我们实现了 94.8% 的精确率和 93.5% 的召回率。
引用
@article{arxiv.2010.03963,
title = {Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional Neural Network Model based on Fusion MRI Sequences},
author = {M. Shabanian and A. Siddiqui and H. Chen and J. P. DeVincenzo},
journal= {arXiv preprint arXiv:2010.03963},
year = {2020}
}
备注
18 pages, 8 figures, 4 tables. Supplementary information: 7 figures, 3 tables