与已建立的白质超强度细分方法相比,TrUE-Net的准确性:一个独立的验证研究

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 老年学是指老年学的学科.

背景情况:

• 白质超强度 (WMH) 在老年大脑中很常见,并与认知能力下降有关.
• 由于WMH的流行程度,精确的自动细分是至关重要的.
• 深度学习模型显示了自动化WMH细分的前景.

研究的目的:

• 独立验证TrUE-Net深度学习模型用于自动化WMH细分.
• 为了比较TrUE-Net的性能与六个既定的自动化工具和一个半人工方法.
• 评估TrUE-Net在全球和区域层面上检测WMH负担与年龄之间的关系的能力.

主要方法:

• 将TrUE-Net与6个自动化WMH细分工具和一个半人工参考标准进行比较.
• 使用全球和区域分析评估细分精度.
• 通过不同的方法评估WMH负担与年龄之间的相关性.

主要成果:

• 与半人工参考相比,TrUE-Net在WMH识别中表现出高可靠性,虚假阳性率低.
• 与其他自动化WMH细分技术相比,TrUE-Net的表现相似或有利.
• TrUE-Net有效地检测到WMH负担与年龄之间的关联,反映了参考标准的发现.

结论:

• TrUE-Net是一个可靠的自动化工具,用于在全球和区域两级对白质超强度进行细分.
• 这些发现支持TrUE-Net在大规模神经成像研究中的实用性,包括组合数据集.
• TrUE-Net促进了对WMH对认知衰老的影响的研究.