提高基于主体的大脑细分软件的性能稳定性

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 商业人工智能工具用于脑图像分析,由于训练数据和扫描器特异性不足,面临限制.
• 高质量的大脑细分对于准确的量化和诊断至关重要.

研究的目的:

• 提高个性化大脑细分软件的性能,使用在应用到多中心数据集时,在单个机构数据上训练的AI模型.
• 研究预处理技术对基于AI的大脑细分的概括性和稳定性的影响.

主要方法:

• 使用大脑白质 (WM) 信息的预先指标进行预处理.
• 在单个中心从认知正常 (CN) 个体的数据上训练AI模型.
• 在多中心数据上测试模型,包括CN个体和阿尔茨海默病 (AD) 患者.
• 采用了数据增强和基于预指标的预处理技术.

主要成果:

• 基于预指标的预处理显著改善了细分性能 (子相似系数 [DSC] 0.8567与0.7921).
• WM强度的标准偏差对性能的影响比平均强度更大.
• 预处理增加了Atroscan和FreeSurfer (0.7584到0.8165) 之间的平均皮层厚度的相关性.

结论:

• 数据增强和基于预指标的预处理提高了基于人工智能的大脑细分软件的性能,通用性和稳定性.
• 这些方法解决了多中心数据和扫描器变异性所带来的局限性.