Biomarcadores | JoVE Visualize

Sus antecedentes:

La armonización de datos de imágenes de Tomografía por Emisión de Positrones (PET), como el Compuesto B de Pittsburgh (PiB) y la Tomografía por Emisión de Positrones con Fluorodesoxiglucosa (FDG-PET), es crucial para un análisis preciso.
Los métodos de armonización tradicionales a menudo requieren grandes cantidades de datos emparejados, que pueden ser difíciles o imposibles de obtener.
Los métodos no emparejados existentes pueden carecer de la generalidad necesaria para conjuntos de datos médicos complejos.

Objetivo del estudio:

Desarrollar y validar un novedoso modelo de armonización basado en Cycle-GAN para datos de neuroimagen.
Eliminar la necesidad de datos emparejados extensos durante el entrenamiento del modelo, utilizando datos no emparejados en su lugar.
Mejorar la generalidad y el rendimiento de la armonización de datos en imágenes de PET.

Principales métodos:

Se adaptó un modelo Cycle-GAN para datos de neuroimagen tabulares, modificando generadores y discriminadores con perceptrones multicapa (MLP) y conexiones de salto.
El modelo se entrenó utilizando un gran conjunto de datos de mediciones no emparejadas de PiB y FBP (presumiblemente FBP es otro trazador de PET o modalidad de imagen).
Se utilizó una pequeña fracción de datos emparejados para la selección del modelo, evaluando el rendimiento mediante la correlación de Pearson del valor de relación de captação estandarizado cortical medio (mcSUVR).

Principales resultados:

El modelo Cycle-GAN seleccionado logró una alta correlación de Pearson (0.85) entre los datos de PiB armonizados y los datos reales de PiB, superando la línea base.
El análisis estadístico (prueba Z de Steiger) confirmó una mejora significativa (p < 0.0001) con respecto al método de línea base.
La inclusión de características adicionales como CL y datos demográficos (edad, sexo) mejoró aún más los resultados de la armonización.

Conclusiones:

Se desarrolló con éxito un modelo de armonización basado en Cycle-GAN para datos de neuroimagen no emparejados.
El modelo demuestra la viabilidad de entrenar modelos de armonización con datos predominantemente no emparejados, requiriendo solo un pequeño subconjunto para la selección.
Se lograron resultados prometedores de armonización para las mediciones de PiB y FBP, lo que indica potencial para una aplicación más amplia en el análisis de neuroimagen.