تقسیم بندی خودکار بخش های مختلف سر جنین در تصاویر سونوگرافی وMRI

اندازه گیری های بیومتریک سر جنین، شاخص های مهمی برای پایش سلامت مادر و جنین در دوران بارداری است. سونوگرافی سه بعدیUS مزایای منحصر به فردی نسبت به اسکن دوبعدی در پوشش کل سر جنین دارد و باعث تشخیص بهتر می شود. با این حال، تقسیم خودکار کل سر جنین در حجم های US همچنان به عنوان مشکلی حل نشده وجود دارد. چالش هایی که راه حل های خودکار باید با آن ها مقابله کنند، عبارتند از: کیفیت پایین تصویر، مرز مبهم، انسدادهای طولانی مدت، تغییر ظاهر تصویر در حالت های مختلف جنین و سن حاملگی. تقسیم بندی اعضای جنین در تصویربرداری رزونانس مغناطیسی دوبعدیMRI نیز می تواند به رادیولوژیست ها در تصمیم گیری بالینی برای تشخیص بیماری کمک کند. یادگیری ماشینی می تواند این فرآیند تقسیم بندی خودکار را تسهیل و تشخیص را دقیق تر و مستقل تر از کاربر کند. چهارچوب یادگیری عمیقDL برای بخش بندی دوبعدی MRI جنین، با استفاده از شبکه تحریک فشار متقاطعNet-CASE ، برای کاربردهای تحقیقاتی و بالینی پیشنهاد می شود. Net-CASE معماری تقسیم بندی سرتاسری با ماژول های مرتبط است که مبتنی بر شواهد هستند. هدف Net-CASE تاکید بر محلی سازی اطلاعات زمینه ای است

کلیدواژه ها:

سر جنین ، یادگیری عمیق ، MRI جنین ، شبکه های عصبی کانولوشنال ، تقسیم بندی خودکار