使用多模式变异自编码器进行规范建模,以识别阿尔茨海默氏病中异常的大脑体积偏差
Sayantan Kumar1,2, Philip R O Payne2, Aristeidis Sotiras2,3
1Department of Computer Science, Washington University in St Louis, St Louis, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 22, 2023
概括
这项研究引入了用于阿尔茨海默病 (AD) 研究的多模式深度学习模型. 该框架通过整合多种MRI数据类型来增强大脑成像分析,改善了与AD相关的大脑变化的检测.
科学领域:
- 神经成像和计算神经科学
- 人工智能在医学中的应用
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 规范性建模量化了个人偏离健康大脑模式的偏差.
- 目前用于规范建模的深度学习模型使用单个MRI模式.
- 阿尔茨海默病 (AD) 是多因素的,需要多模式的数据集成.
研究的目的:
- 开发一个多模态变量自编码器 (mmVAE) 用于AD的规范建模.
- 为了捕捉不同MRI模式的关节分布,以增强AD分析.
- 为了确定与AD进展相关的异常大脑体积偏差.
主要方法:
- 输入:自由冲浪者从T1加权 (皮层,皮下) 和T2加权 (海马体) MRI扫描中处理的大脑区域体积.
- 框架:多模态变异自编码器 (mmVAE) 学习健康的大脑形态.
- 应用:与规范模型相比,量化阿兹海默症患者的大脑体积偏差.
主要成果:
- 与单模式基线相比,mmVAE框架对阿尔茨海默氏症病期的敏感性更高.
- 毫米VAE生成的偏差图与患者的认知状态有更好的相关性.
- 更多的大脑区域在mmVAE时呈现出统计学上显著的偏差.
结论:
- 使用mmVAE的多模态规范建模有效地识别了AD相关的大脑异常.
- 整合多种MRI模式可以提高AD的规范模型的灵敏度和临床相关性.
- 这种方法提供了一个更全面的理解AD大脑异质性.
