经产后大脑磁共振图像的纵向预测通过一个变形生成对抗网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 纵向研究经常遇到缺失的数据,特别是在婴儿神经成像中,由于受试者的磨损或扫描失败.
• 准确的纵向数据对于理解婴儿大脑发育和神经条件至关重要.

研究的目的:

• 开发一个深度学习框架来预测缺失的婴儿大脑MRI扫描.
• 为了应对婴儿在生命第一年的快速大脑变化的挑战.

主要方法:

• 引入可靠的变形生成对抗网络 (MGAN) 进行婴儿大脑MRI翻译.
• MGAN利用空间和频率信息进行细节保存的图像翻译.
• 一个以质量为导向的学习策略和多级混合损失函数可以提高预测准确度.

主要成果:

• 与现有的生成对抗网络 (GAN) 相比,MGAN表现出优越的性能.
• 该框架准确地预测婴儿大脑MRI中的组织对比度和解剖细节.
• 实验结果验证了MGAN在重建缺失的扫描数据方面的有效性.

结论:

• 拟议的MGAN框架为处理婴儿纵向神经成像研究中缺少的数据提供了一个强大的解决方案.
• 使用MGAN准确预测缺失的扫描可以提高发育神经科学研究的完整性和完整性.
• 这种方法有可能提高对婴儿大脑发育和疾病进展的分析.