一个可自动解释的深度学习管道,用于准确的帕金森病诊断,使用定量敏感度映射和T1加权图像

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 使用MRI诊断帕金森病 (PD) 仍然具有挑战性.
• 定量敏感度图 (QSM) 提供了深灰质 (DGM) 核中铁分布的洞察力,可能有助于PD检测.
• 深度学习 (DL) 显示出在神经学中自动化复杂图像分析任务的前景.

研究的目的:

• 开发和验证一个基于DL的管道,用于使用QSM和T1加权 (T1W) MRI自动诊断PD.
• 准确细分关键的DGM核 (尾状核,白色球体,面,红色核,黑色物质) 用于PD相关的特征提取.
• 用细分的DGM核和QSM数据来区分PD患者和健康对照 (HC).

主要方法:

• 使用带有注意力机制的卷积神经网络,同时对来自QSM和T1W图像的五个DGM核进行细分.
• 一个包含解剖学注意力机制的SE-ResNeXt50模型被用于PD与HC分类.
• 梯度加权类激活映射 (Grad-CAM) 用于模型解释性和确定关键诊断区域.

主要成果:

• DL模型在DGM核中实现了高细分精度,内部测试队列中平均子值>0.83.
• 病发症诊断模型表现出强的表现,在内部队列中达到0.901的AUC,在外部队列中达到0.845.
• 格拉德-CAM分析为PD诊断提供了对DGM核的患者层面洞察.

结论:

• 拟议的DL管道为PD诊断提供了准确和自动化的方法.
• 整合QSM和T1W成像与先进的DL技术增强了诊断能力.
• 这种可解释的AI方法有可能在PD诊断中得到临床应用.