Görüntüleme
14
İndirme
2
Gebelik esnasında fetüs beyninde, çevresel veya genetik etmenlerden kaynaklanan bozuklukların ilerleyen yaşlarda otizm, hiperaktivite ve bipolar bozukluklar olarak ortaya çıktığı düşünülmektedir. Fetüs beyin dokularının yapısal analizi, dokuların büyüklükleri ve şekilleri hakkında bilgi sağlayarak bu hastalıkların etiyolojisinin araştırılmasına yardımcı olmaktadır. MR (manyetik rezonans) ve ultrason fetüs beyin dokusu analizi için en sık kullanılan iki görüntüleme tekniğidir. Özellikle MR görüntülemede, fetüs beyin dokuları net bir şekilde görülebilmesine rağmen bu görüntülerin yapısal analizi zaman alıcı bir iştir. Hızla gelişen ve değişen fetüs beyin dokuları, haftalık veya aylık periyotlarla, elle veya yarı-otomatik şekilde gerçekleştirilen MR analizinin yapılmasını zorlaştırmaktadır. Bu araştırmada, 3B U-Net ile MR görüntüleri üzerinde yedi farklı fetüs beyin dokusunun tam otomatik segmentasyonu gerçekleştirilmiştir. FeTA2021 veri seti, erken, orta ve geç gestasyonel yaş gruplarına bölünerek her bir yaş grubu için farklı 3B U-Net modelleri eğitilmiş ve segmentasyon performansı analiz edilmiştir. Gestasyonel yaş gruplarına göre sırasıyla ortalama 0.83, 0.91 ve 0.92 Dice skoruna ulaşılmıştır.
Environmental and genetic factors are thought to cause diseases in the fetal brain that may later manifest as autism, hyperactivity, and bipolar disorder. Structural analysis of fetal brain tissue helps to explore the etiology of these diseases by providing information about the size and shape of the tissues. MR (magnetic resonance) imaging and ultrasound are the two imaging modalities most used to analyze fetal brain tissue. Especially in MR imaging, brain tissues can be seen clearly. However, structural analysis of MR images is a time-consuming process. Because fetal brain tissues develop and change rapidly, it is difficult to perform manual or semi-automated MR analysis weekly or monthly. In this study, seven different fetal brain tissues were segmented fully-automated with 3D U-Net. The FeTA2021 dataset was divided into the early, middle, and late gestational age groups, different 3D U-Net models were trained for each age group, and segmentation performance was analyzed. Average Dice scores of 0.83, 0.91, and 0.92 were achieved for the gestational-age groups, respectively.
Alan : Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
