Haberler

Doğru beyaz madde hiperintensitesi segmentasyonu için derin bir öğrenme aracı

Sıvıyla zayıflatılmış inversiyon iyileşmesi (FLAIR) görüntülerindeki beyaz madde hiperintensiteleri (WMH’ler), çeşitli nörolojik hastalıklardaki görüntüleme özellikleridir ve klinik bozulma ve hastalığın ilerlemesi için temel belirteçlerdir. WMH’ler, Alzheimer hastalığı, Parkinson hastalığı, serebral küçük damar hastalığı, multipl skleroz, nöromiyelitis optika spektrum bozuklukları ve nöronal intranükleer inklüzyon hastalığı gibi beyin yaşlanması ve insan beynindeki patolojik değişikliklerle ilişkilidir.

Bu WMH lezyonları davranışsal ve bilişsel performans ve risk faktörleriyle ilişkilidir. WMH lezyonlarının verimli ve tekrarlanabilir kantitatif analizi, klinik uygulamaya ve bilimsel araştırmaya büyük fayda sağlayabilir ve otomatik WMH segmentasyonu bu tür analizlere olanak sağlar. Bu nedenle, doğru otomatik WMH segmentasyon algoritmalarının geliştirilmesi oldukça arzu edilir.

Otomatik WMH segmentasyonuna ilişkin ilk çalışmalar, basit yoğunluk eşikleme stratejilerini kullanır. Daha gelişmiş yaklaşımlar WMH morfolojisini analiz eder ve segmentasyon için regresyon modellerini veya k-en yakın komşuları kullanır. Son zamanlarda, segmentasyon görevi için evrişimli sinir ağları da kullanılmış ve bazı çalışmalarda herhangi bir açıklamalı eğitim verisi olmadan derin öğrenme yaklaşımı uygulanmaya çalışılmıştır.

Ancak yukarıda bahsedilen yöntemler klinik senaryolarda ya yeterince etkili değildir ya da büyük miktarda açıklamalı veri gerektirir. Bu nedenle ekip, yüksek segmentasyon doğruluğuna ulaşırken insan açıklaması ihtiyacını ortadan kaldırmayı hedefleyen, açık kaynaklı, açıklama gerektirmeyen bir WMH lezyon segmentasyon aracı olan DeepWMH’yi geliştirdi.

DeepWMH, 18 tarama protokolüyle elde edilen dokuz veri kümesinden 2.203 taramayla doğrulandı ve son teknoloji ürünü, açıklama içermeyen WMH segmentasyon yöntemleriyle karşılaştırıldı. DeepWMH, rakip yöntemlerden büyük bir farkla daha iyi performans gösteriyor. Normal görünen ve hasta taramaları arasındaki farktan yararlanır ve bunu derin öğrenmenin gücüyle birleştirir; bu, model eğitimi için manuel açıklamalara gerek kalmadan WMH’lerin doğru şekilde bölümlendirilmesine olanak tanır.

Potansiyel WMH’leri belirtmek için normal beyin dokusu hakkındaki anatomik bilgiyi birleştirir ve gürültüyü etiketlemeye karşı dayanıklı bir eğitim stratejisi kullanarak endikasyonu derin öğrenmeyle bütünleştirir. DeepWMH tamamen otomatiktir ve kullanıcıların herhangi bir hiperparametre ayarı yapmasına gerek yoktur. Performansı, farklı tarayıcı modellerine, beyin hastalığı türlerine, dilim kalınlıklarına, lezyon konumlarına ve lezyon boyutlarına bağlı olarak verilerin değişebildiği farklı veri kümelerinde stabildir.

DeepWMH GitHub’da herkese açık olarak mevcuttur. Kolayca konuşlandırılabilmesi için önceden eğitilmiş bir segmentasyon modeli de sağlanmaktadır.

DeepWMH hem klinik uygulama hem de bilimsel araştırma için kolayca dağıtılabilir, kurulabilir ve doğrudan uygulanabilir. Aynı zamanda, normal görünen beyin görüntüleri ve uzaysal normalizasyon teknikleriyle anatomik bilginin elde edilebildiği diğer beyin lezyonu türlerinin açıklama içermeyen bölümlenmesine de ilham verebilir.

Araştırma dergide yayınlandı Bilim Bülteni.



Kaynak ve İleri Okuma: https://medicalxpress.com/news/2024-04-deepwmh-deep-tool-accurate-white.html

İlgili Makaleler

Başa dön tuşu