通过基于深度学习算法的静止状态MRI对ICU狂妄患者大脑神经功能的评估

科学领域:

• 神经成像是一种神经成像.
• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用

背景情况:

• 痴呆症是重症监护室 (ICU) 中常见的疾病,与严重的发病率和死亡率有关.
• 神经功能障碍是妄的公认特征,但其神经生物学基础需要进一步调查.
• 当前的神经成像技术可能在完全描述与妄想相关的复杂大脑变化方面存在局限性.

研究的目的:

• 为了评估静止状态磁共振成像 (MRI) 的实用性,使用大脑提取工具 (BET) 算法来评估妄患者的头骨神经功能.
• 为了比较BET算法的性能与卷积神经网络 (CNN) 算法在MRI妄分析中.
• 为了探索患有妄想症的患者和健康个体之间的脑神经功能差异.

主要方法:

• 100名妄症患者和20名健康志愿者接受了静止状态的MRI.
• 大脑图像使用大脑提取工具 (BET) 算法进行分析.
• 一个卷积神经网络 (CNN) 算法用于比较分析.
• 评估了包括根平均平方误差,高频误差规范和结构相似性在内的定量指标.
• 分析了区域同质性 (ReHo),分量异质性 (FA) 和平均扩散性 (MD) 值,以评估大脑功能和结构.

主要成果:

• 与CNN算法 (P <0.05) 相比,BET算法显示了显著更高的根平均平方误差 (70.4%),高频误差规范 (71.5%) 和结构相似性 (0.92).
• 与对照人群相比,痴呆症患者在小脑,右海马,左小脑,中脑和基底质中表现出显著更高的ReHo值.
• 在额头,中额头,左下额头,叶和叶观察到ReHo显著下降.
• 分数性异位变异 (FA) 评分在左小脑,额叶,左叶,体和左海马中显著下降.
• 平均扩散度 (MD) 值在中间额叶,右上状,前带带状,双侧胰岛和左尾状核显著增加 (P <0.05).

结论:

• 基于深度学习的MRI显著提高图像质量,对于评估妄患者的大脑神经功能非常有价值.
• 通过先进的MRI技术发现的大脑结构和功能的异常可以帮助诊断妄想.
• 具有先进算法的静止状态MRI为了解妄想的神经生物学和提高诊断准确性提供了一个有希望的方法.