从伪标签中学习:深度网络提高了纵向大脑体积估计的一致性

科学领域:

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

背景情况:

• 脑缩是神经退行性疾病进展的关键指标,如多发性硬化症 (MS).
• 准确测量大脑缩通常受到临床MRI采集协议的变化所阻碍.
• 开发强大的方法对于可靠监测疾病和治疗反应至关重要.

研究的目的:

• 开发和验证一个深度学习模型,DeepBVC,用于MS中精确的脑缩测量.
• 评估DeepBVC的表现与SIENA等既定方法相比.
• 评估DeepBVC对测量MS患者疾病进展的影响.

主要方法:

• 开发了一个3D U-Net深度学习模型 (DeepBVC),使用MS患者的纵向3D T1MRI扫描.
• 该模型被训练以克服常见的成像差异 (分辨率,SNR,对比度).
• DeepBVC的性能与SIENA使用测试-重试数据集和内部MS队列进行了验证,与临床指标相关联.

主要成果:

• 与SIENA相比,DeepBVC在测试-重新测试实验中显示出更高的可重复性.
• 该模型在个体多发性硬化病患者的多个时间点中显示出高一致性.
• 无论是DeepBVC还是SIENA,都与基线T2损伤体积有显著的相关性,但与残疾进展无关.

结论:

• DeepBVC提供了一种强大,自动化和更快的替代方案,用于使用T1加权MRI测量大脑缩.
• 它在处理临床扫描变异方面的增强性能使其适合研究和临床使用.
• DeepBVC有可能改善对MS进展和治疗有效性的监测.