一个用于大脑年龄预测的深度学习模型,使用最小预处理的T1w图像作为输入
Caroline Dartora1, Anna Marseglia1, Gustav Mårtensson1
1Division of Clinical Geriatrics, Center for Alzheimer Research, Department of Neurobiology, Care Sciences and Society, Karolinska Institutet, Stockholm, Sweden.
Frontiers in aging neuroscience
|January 23, 2024
概括
我们开发了一个简化的卷积神经网络 (CNN) 模型,用T1加权的MRI来预测生物大脑年龄. 这种可访问的工具有助于研究衰老和与年龄有关的疾病.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 放射学 放射学是一门学科.
背景情况:
- 几种模型使用结构性MRI和机器学习来预测生物大脑年龄.
- 现有的方法往往需要大量的预处理,限制了研究中的可访问性.
研究的目的:
- 开发和验证一种基于简化的卷积神经网络 (CNN) 的模型,用于生物大脑年龄预测.
- 提高脑年龄预测模型在研究环境中的可访问性和实施性.
主要方法:
- 利用了来自认知健康个体 (年龄为32.0-95.7岁) 的17,296个T1加权MRI的多队列数据集.
- 采用持久和交叉验证方法 (CNN1-4) 包含不同的训练数据和剥离头骨的图像.
- 通过使用两个具有不同人群和MRI特征的外部数据集验证了可通用性.
主要成果:
- 经过训练的CNN模型在2.67至3.08年之间实现了平均绝对误差 (MAE).
- 对外部数据集的模型性能与现有文献可比.
- 突出地图显示周周,和岛屿区域是大脑年龄的关键预测因素.
结论:
- 开发的CNN模型在最小的预处理 (刚性图像注册) 中表现出良好的性能.
- 该模型为研究老龄化和与年龄有关的疾病的研究人员提供了一种简化和可访问的工具.
- 生物大脑年龄可以作为神经成像研究中年龄校正的有价值的指标.
