RClaNet:通过联合注册和分类来解释阿尔茨海默病诊断框架

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 阿尔茨海默病 (AD) 是一种神经退行性疾病,影响日常生活,目前没有治愈方法.
• 早期发现AD对于管理和控制至关重要.
• 基于磁共振成像 (MRI) 的脑缩测量是AD的关键生物标志物.
• 图像注册广泛用于AD诊断,但对准确性敏感.

研究的目的:

• 开发用于早期阿尔茨海默病 (AD) 诊断的先进框架.
• 通过整合图像注册和分类来提高AD检测的准确性.
• 引入一个基于补丁的新型网络 (RClaNet) 来估计本地和全球的大脑变形和疾病风险.

主要方法:

• 提出了一个新的基于补丁的联合脑图像注册和分类网络 (RClaNet).
• RClaNet估计了局部密度变形场 (DDF) 和疾病风险概率图.
• 使用指数距离权重方法用于全球DDF和风险地图生成,删除文物.
• 采用全球分类网络,使用生成的风险地图进行早期AD检测.

主要成果:

• 与OASIS-3,AIBL和ADNI数据集上的最先进的方法相比,RClaNet显示出更优异的注册性能.
• 使用全球疾病风险概率图进行早期AD诊断,取得了具有竞争力的结果.
• 该方法在COVID-19数据集上显示了良好的注册和分类性能,证明了其通用性.

结论:

• 拟议的RClaNet框架通过利用联合注册和分类,有效地提高了AD诊断的准确性.
• 来自图像注册的变形信息可以描述微妙的退行性变化,有助于临床诊断.
• RClaNet方法为早期和准确检测阿尔茨海默病提供了一个有希望的工具.