基于深度学习的白质超强度分级使得在多序MRI数据中识别潜在标记者成为可能

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 白质超强度 (WMHs) 在衰老中很常见,并与认知能力下降有关.
• 缺乏对具有结构缩和功能改变的WMH进行全面的研究.
• 脑血管疾病与脑血管风险因素和与年龄相关的认知衰退有关.

研究的目的:

• 开发一个WMH风险预测模型,使用Fazekas尺度来评估严重程度.
• 确定大脑区域在WMHs的高风险.
• 研究WMH与大脑结构/功能变化之间的关联.

主要方法:

• 在T2-FLAIRMRI图像上使用ResNet18和1D CNN开发了一个WMH风险预测模型.
• 该模型将图像细分成,提取特征,并使用多层感知器预测Fazekas尺度.
• 模型性能使用纵向和多序MRI数据进行验证,评估灰质体积,白质体积,FA,MD和CBF.

主要成果:

• 在WMH的风险预测模型实现了0.656 (培训) 和0.621 (测试) 的预测准确度.
• 纵向MRI证实,模型预测的高风险与实际的WMH相对应.
• 多序MRI揭示了高风险中的WMH与GM/WM缩,微观结构变化, perfusion 改变和认知得分 (MMSE) 之间的关联.

结论:

• 开发的WMH风险预测模型准确评估WMH的严重程度,并确定潜在的跨模式标志物.
• 这个模型显示了早期检测WMH相关的大脑变化和认知衰退的潜力.