一个三维深度学习模型用于大脑结构MR图像的跨站点协调:使用多中心数据集进行广泛验证

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:

• 多中心核磁共振成像研究面临着与地点相关的变异性偏差数据分析的挑战.
• 在大规模研究中,协调脑MRI数据对于准确可靠的结果至关重要.
• 无监督深度学习为解决这些协调挑战提供了一个有希望的方法.

研究的目的:

• 开发和验证一种深度学习模型,用于协调不同站点的T1加权脑MRI图像.
• 为了确保模型有效地处理3D全脑图像,同时优化计算资源.
• 评估模型在不影响生物信息的情况下减少特定地点强度变化的能力.

主要方法:

• 开发了一个循环一致的对抗网络模型,用于无监督的图像协调.
• 将模型应用于六个不同的MRI数据集 (n=1525),以对对和整体协调.
• 通过使用强度分布,图像质量指标,放射性特征和大脑年龄预测来评估协调.

主要成果:

• 该模型有效地将不同地点和采集参数的MRI特征均化.
• 协调保存了生物模式,由大脑年龄预测和灰色物质体积相关性证明.
• 放射学分析证实了协调图像中保存了重要的放射学信息.
• 该模型在各种数据集和评估指标中显示出强度.

结论:

• 开发的深度学习模型成功地协调了多中心T1加权脑MRI数据.
• 这种方法有效地减少了现场影响,同时保留了生物和放射信息.
• 这种强大的协调技术具有显著的潜力,可以改善回顾性多中心MRI研究.