超高场磁共振成像对海马体积的测量:深度学习和传统方法之间的全面比较研究

科学领域:

• 神经成像和计算神经科学
• 使用先进的机器学习技术进行大脑结构分析.

背景情况:

• 海马对于认知至关重要,也是神经疾病的关键生物标志物.
• 测量海马体积的传统方法,特别是超高场MRI,在准确性和纵向分析方面存在局限性.
• 衰老研究强调需要精确可靠的海马体积测量.

研究的目的:

• 为了全面比较深度学习管道 (nnU-Net) 与传统方法 (Freesurfer,FSL,DARTEL) 进行自动化海马体积测量.
• 通过使用各种MRI数据集来评估深度学习方法的准确性,精度和测试-重新测试可靠性.
• 评估深度学习管道是否适合在健康老龄化和疾病背景下进行纵向研究.

主要方法:

• 在公共数据集上进行交叉验证,以评估细分的准确性和精度.
• 使用健康成年人的亚毫米MRI测试测试可靠性评估 (3T和7T会话).
• 在纵向数据集 (健康成年人和疾病相关) 上使用贝叶斯线性混合效应建模来评估变化检测.

主要成果:

• 深度学习管道表现出卓越的准确性和精度,体积百分比错误 (平均L:1.5%,R:1.7%) 和标准偏差最低.
• 实现了高的测试-重复测试可靠性,通过高的类内相关系数 (例如,7T:L 0.990,R 0.986) 和最小的体积差异来表明.
• 深度学习管道有效地检测出微妙的,与疾病相关的纵向变化和学科间的差异,明显优于传统方法.

结论:

• 基于nnU-Net的深度学习管道比海马体积测量的传统方法提供了显著的进步.
• 这种深度学习方法在神经成像研究中为纵向分析提供了更高的准确性,可靠性和灵敏性.
• 该管道非常适合研究衰老,神经精神和神经退行性疾病,这些疾病需要精确的海马体积量化.