大脑半球不相似性,一种自我监督的学习方法,用于用FDG PETPET预测alpha-synucleinopathies

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 异常REM睡眠行为障碍 (iRBD) 是像帕金森病 (PD) 和勒维体痴呆症 (DLB) 这样的α-synucleinopathies的关键指标.
• 预测prodromal iRBD阶段的转化对于疾病管理和临床试验至关重要.
• 现有的监督深度学习方法受到稀缺的纵向数据和转换信息的限制.

研究的目的:

• 开发一种自我监督的学习策略,用于分析iRBD患者的大脑PET扫描.
• 在有限的数据上使用新的半球不相似性损失 (HDL) 预训练卷积网络.
• 预测转换为PD或DLB使用基线18F-FDGPET扫描.

主要方法:

• 提出了一种自主监督的学习方法,使用来自iRBD非转换器受试者的18F-FDG PET扫描.
• 引入了一种新的半球不相似性损失 (HDL) 函数,扩展巴洛双胞胎损失.
• 预先训练了一个卷积网络,并为转换预测任务进行了微调.

主要成果:

• 拟议的HDL方法在产生预测性大脑特征方面优于变异性自编码器.
• 成功预训练了一个没有疾病特定信息的网络,使得对小数据集的分析成为可能.
• 证明了HDL对于预测转换为PD和DLB的实用性.

结论:

• 具有HDL的自我监督学习是分析iRBD中神经成像数据的可行策略.
• 这种方法可以帮助预测神经退行性疾病从前性阶段转化.
• 该方法为改善早期诊断和患者分层提供了一个有希望的途径.