| Abstract: | Het onderzoek naar mogelijke therapieën om de complicaties van vroeggeboorte te verminderen is een onderwerp van lopend onderzoek. Dankzij de vooruitgang in de medische beeldvormingstechnologieën, zoals magnetische resonantiebeeldvorming (MRI), kunnen de menselijke hersenen natuurgetrouw in beeld worden gebracht. Deze technologieën zijn echter niet praktisch of kosteneffectief wanneer ze worden toegepast op premature kinderen. Een alternatieve beeldvormingsmodaliteit, echografie of sonografie, biedt een meer draagbare, aanpasbare en economische optie. De huidige studie evalueert verschillende methoden voor de evaluatie van corticale complexiteit in echobeelden van premature kinderen. Automatisering van de analyse van de corticale complexiteit zal bijdragen tot een snellere diagnose, waardoor een medische deskundige veel minder tijd en moeite hoeft te besteden aan dezelfde analyse.
In eerste instantie wordt een diep neuraal netwerk (DNN) gebruikt om sulci uit de beelden te halen. Vervolgens wordt een reeks metrieken die de vorm van de sulci op verschillende manieren beschrijven, berekend en geanalyseerd op correlaties en patronen die kunnen helpen bij het kwantificeren van de algemene corticale complexiteit van de hersencortex. De diepte van echobeeldpixels wordt geschat, wat de extractie van algemeen gebruikte 3-dimensionale metriek mogelijk maakt. Eén benadering voor diepteschatting is gebaseerd op hetzelfde model dat wordt gebruikt voor sulcussegmentatie, terwijl de andere benadering gebruik maakt van de minimale afstandstransformatie tussen het voorspellingsbeeld en het originele beeld.
Met beide benaderingen kon de gyrificatie-index worden geschat die is gecorreleerd met de postmenstruele leeftijd (PMA), de chronologische leeftijd van een prematuur kind, berekend op basis van de laatste menstruatieperiode van de moeder.
Bovendien werden de metriekgegevens berekend volgens een andere aanpak dan in eerdere studies. In deze benadering worden de metriekgegevens van elke sulcus in één beeld samengevoegd met behulp van gangbare aggregatiefuncties zoals de som en het gemiddelde. Deze aanpak leverde metrieken op met een hogere correlatie.
De mogelijkheid om PMA te voorspellen is cruciaal, aangezien bekend is dat deze sterk gecorreleerd is met corticale complexiteit.
Daarom werd een kunstmatig neuraal netwerk (ANN) gebouwd, getraind en gebruikt om de postmenstruele leeftijd (PMA) te voorspellen op basis van de metriek van een gegeven echobeeld. De ANN toonde een zekere nauwkeurigheid in het voorspellen van de postmenstruele leeftijd (PMA) voor premature baby's ouder dan 30 weken. De sulci op de hersenen van baby's jonger dan 30 weken (PMA) zijn nauwelijks ontwikkeld en daarom ontbreekt cruciale informatie voor de ANN om nauwkeurige voorspellingen te doen. |
|---|
| Abstract (Eng): | The investigation of potential therapies to mitigate the complications associated with preterm birth is a topic of ongoing research. Advances in medical imaging technologies, such as magnetic resonance imaging (MRI), have enabled high-fidelity visualization of the human brain. However, these technologies are not practical or cost-effective when applied to premature infants. An alternative imaging modality, ultrasound or sonography, offers a more portable, adaptable, and economical option. The current study evaluates various methods for assessing cortical complexity in ultrasound images of premature infants. Automation of the analysis of the cortical complexity will assist to achieve faster diagnosis saving an excessive amount of time and effort a medical expert would spend to do the same analysis
Initially, a deep neural network (DNN) is employed to extract sulci from the images. Subsequently, a set of metrics that describe the shape of the sulci in various ways are calculated and analyzed for correlations and patterns that may aid in quantifying the overall cortical complexity of the cerebral cortex. The depth of ultrasound image pixels is estimated, which enables the extraction of commonly used 3-dimensional metrics. One approach for depth estimation is based on the same model utilized for sulcus segmentation, while the other approach employs The minimum distance transform between the prediction image and the original image.
Both approaches allowed the estimating of the gyrification index that is correlated with postmenstrual age (PMA), which is the chronological age of a premature infant calculated from the mother's last menstrual period.
Furthermore, the metrics were calculated using a different approach compared to the approach employed in earlier studies. In this approach, the metrics of every sulcus in one image are aggregated using common aggregation functions such as the sum and average. This approach provided metrics with a higher correlation.
The ability to predict PMA is crucial as it is known to be strongly correlated with cortical complexity.
Therefore, an Artificial Neural Network (ANN) was built, trained, and utilized to predict the postmenstrual age (PMA) based on metrics extracted from a given ultrasound image. The ANN demonstrated a degree of accuracy in predicting the postmenstrual age (PMA) for preterm babies older than 30 weeks. The sulci on the brain of babies younger than 30 weeks(PMA) are barely developed and therefore crucial information is missing for the ANN in order to make accurate predictions.
|
|---|