Voorspellen van hersenverlamming bij zuigelingen met wittestofletsel met behulp van MRI

Cerebrale parese (CP) is een veel voorkomende groep bewegingsstoornissen die vaak resulteert in invaliditeit bij kinderen. In de context van CP is het belang van een vroege diagnose cruciaal, maar de huidige diagnostische modaliteiten identificeren gevallen vaak na de leeftijd van 2 jaar. Na de initiële screening van zuigelingen met een hoog risico op CP door middel van gedragsscores, vormt magnetische resonantie beeldvorming (MRI) een integraal onderdeel van de uitgebreide evaluatie. Het trainen van een conventioneel model voor het voorspellen van CP-risico's vereist een grote investering in tijd en financiële middelen. De gemiddelde gevoeligheid daalt tot 90%. Tot nu toe is deep learning-technologie op grote schaal gebruikt bij taken die verband houden met beeldgebaseerde ziekteclassificatie en heeft uitstekende prestaties laten zien.

Periventriculair wittestofletsel (PVWMI) is verantwoordelijk voor het grootste deel van de verschillende soorten hersenletsel bij hersenverlamming, en de soorten hersenletsel bij hersenverlamming zijn rijk en complex, wat moeilijkheden en uitdagingen met zich meebrengt voor diepgaande leermodellen. Daarom concentreert deze studie zich op PVWMI, het meest voorkomende type hersenverlamming, en wordt gebruik gemaakt van conventionele MRI om een ​​deep learning-voorspellingsmodel te ontwikkelen voor CP bij zuigelingen van 6 maanden tot 2 jaar oud.