Eine automatische Methode zur Erkennung und Segmentierung der intrauterinen Hohlraum
Twin-to-twin transfusion Syndrom (TTTS) tritt in etwa 10-15% der Schwangerschaften mit Zwillingen, die die gleiche Plazenta. Typischerweise ist das Syndrom erscheint vor 24 Wochen der Schwangerschaft durch abnormale vaskuläre Kommunikation, die sich auf der Oberfläche der Plazenta. Als Ergebnis, die Durchblutung ist nicht ausgewogen auf die beiden Zwillinge, reduziert Ihre Chancen, zu überleben.
Fetoscopic laser photocoagulation ist die effektivste Behandlung für dieses Syndrom und es besteht der Schließung abnorme vaskuläre verbindungen, die sich auf der Oberfläche der Plazenta vollständig trennen die Zirkulation von Blut, um die beiden Zwillinge, so verhindert Komplikationen im Zusammenhang mit der Blut-flow-Ungleichgewicht, wie Tod durch kardiale überlastung, Frühgeburt und Fehlgeburt.
Die Wendigkeit des fetoscope eingefügt durch die Uteruswand der Mutter und die Fähigkeit zum kauterisieren alle Schiffe, die erfordern, dass die Abdichtung hängt von der richtigen Auswahl der fetoscope Eintrag Punkt auf der Oberfläche des intrauterinen Hohlraum. Die Planung der besten Einfügemarke vor der operation erfordert ein gutes Verständnis von der Anatomie des Patienten, das kann erreicht werden durch eine virtuelle Darstellung der Gebärmutter, die über magnetische-Resonanz-Bildgebung.
Eine Studie vor kurzem veröffentlicht in der erweiterten online-Ausgabe der Zeitschrift IEEE Transactions on Medical Imaging präsentiert das erste automatische Methode zur Erkennung und Segmentierung der intrauterinen Hohlraum über drei Ansichten (axial, sagittal und coronal) der MRT mittels künstlicher Intelligenz und deep-learning-Techniken.
Eine Studie, die von Miguel Ángel González Ballester, ICREA research professor mit der Abteilung der Informations-und Kommunikationstechnologien (DTIC) an der UPF, mit Jordina Torrents-Barrena, der erste Autor der Studie, Gemma Piella und Mario Ceresa, Mitglieder der UPF BCN MedTech-Einheit. Eduard Gratacós und Elisenda Eixarch, Mitglieder des Fetalen i D Fetal Medicine Research Center, BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clinic und Hospital Sant Joan de Déu), IDIBAPS, sind co-Autoren der Studie und verantwortlich für die Kliniken.
„Die vorgestellten Methodik verwendet neuronale Netze, basierend auf dem neuen Paradigma der Kapseln, um erfolgreich zu erfassen die Interdependenzen der Anatomie vorhanden in der MRT, insbesondere für einzigartigen Klasse-Instanzen (Anatomie) wie die intrauterine Hohlraum und/oder in der Plazenta“, erklärt Jordina Torrents-Barrena, der erste Autor des Papiers.
„Die Methode basiert auf reinforcement learning framework, das mithilfe von Kapseln, um die Lage der Gebärmutter. Eine Kapsel Architektur wird anschließend entwickelt, um das segment (oder verfeinern) die ganze intrauterine Hohlraum,“ Torrents-Barrena fügt. Letzteres Netzwerk kodiert die diskriminierende und robuste features in das Bild.
Die vorgeschlagene Methode ausgewertet, die von 13 performance-Maßnahmen und ist auch im Vergleich zu 15 neuronale Netze wurden bisher in der Literatur veröffentlichten. „Unsere künstliche-Intelligenz-Methode ausgebildet wurde mittels Magnet-Resonanz-imaging von 71 Schwangerschaften,“ Torrents-Barrena bestätigt.
„Mit einer drei-dimensionale Darstellung ermöglicht uns die Bewertung verschiedener Ansatzpunkte und wählen Sie die eine, die bietet die beste Sichtbarkeit aller plazentaren Gefäße, die bei der geringsten Bewegung“, kommentiert Elisenda Eixarch, co-Autor der Studie. „Zweifellos ist die Anwendung dieser Technologie wird es uns ermöglichen, zu bewegen in Richtung sicherer, präziser Operation“, fügt Sie hinzu.
