基于深度学习的自动细分模型的开发和验证,用于评估内体积:与NeuroQuant,FreeSurfer和SynthSeg进行比较

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:

• 精确评估内体积 (ICV) 对于诊断和监测神经疾病至关重要.
• 现有的自动细分工具如NeuroQuant (NQ),FreeSurfer (FS) 和SynthSeg具有不同程度的准确性.
• 深度学习为改善自动化医疗图像分析提供了一个有希望的方法.

研究的目的:

• 开发和验证基于深度学习的ICV评估的自动细分模型.
• 将开发模型的准确性与已建立的方法 (NQ,FS,SynthSeg) 进行比较.

主要方法:

• 一项回顾性研究,使用60名受试者 (阿尔茨海默病,轻度认知障碍,认知正常) 进行培训和验证.
• 来自ADNI数据集的40名受试者的测试组被用于评估.
• 采用了2D UNet架构,训练了单模和多模MR图像 (T1加权,T2-FLAIR).

主要成果:

• 深度学习模型实现了出色的性能,使用缩放的T1加权图像,子相似系数 (DSC) 为0.989±0.002和平均体积差异为0.46%±0.38%.
• 与NQ (2.15%),FS (3.69%) 和SynthSeg (1.88%) 相比,该模型的准确性更高.
• 开发的模型在所有患者子组 (AD,MCI,CN) 中都表现优于NQ,FS和SynthSeg.

结论:

• 拟议的深度学习模型为自动ICV细分提供了强大而准确的方法.
• 这种先进的模型显示了在神经疾病中评估ICV的卓越性能.
• 这些发现表明,在神经退行性疾病中,有可能提高诊断和监测能力.