从结构磁共振成像中深度学习对周 sinus 结构的细分:在成年人一生中验证和规范范围
Kilian Hett1, Colin D McKnight2, Melanie Leguizamon1
1Dept. of Neurology, Vanderbilt University Medical Center, Nashville, TN, USA.
Fluids and barriers of the CNS
|February 13, 2024
概括
这项研究引入了一种深度学习方法,用于使用MRI自动测量脑结构,如arachnoid granulations (AG) 和parasagittal dural (PSD) 空间. 这些发现提供了关于神经流体循环和老化大脑变化的见解.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经解剖学是一个神经解剖学.
背景情况:
- 周 sinus 结构,包括 Arachnoid 颗粒 (AG) 和 parasagittal 持续 (PSD) 空间,对于脑脊液 (CSF) 出口和神经免疫功能至关重要.
- 神经流体循环中的功能障碍可能导致这些结构的形态变化,但目前的手动量化方法耗时,需要对比剂.
研究的目的:
- 开发和验证基于深度学习的自动化方法,用于从非对比T2加权MRI中对周 sinus结构 (PSD和AG) 进行细分.
- 量化PSD和AG在人类一生中的体积变化.
主要方法:
- 一个级联的3D完全卷积神经网络架构被用于PSD和AG的自动划分.
- 该方法在一个大队列 (n=80) 的亚毫米3D T2加权MRI扫描上进行了训练和验证,并应用于人类连接体项目的寿命队列 (n=1,872).
- 使用通用线性模型的统计分析评估了年龄和性别对体积变化的影响.
主要成果:
- 深度学习模型实现了PSD (迪斯-索伦森系数:80.7%) 和AG (74.6%) 的高细分精度.
- 随着年龄的增长,PSD体积显著增加,显示出与性别的线性相互作用 (每年0.9厘米3,p<0.001).
- AG体积从第三到第六个十年增加,年龄对总体 (每年0.64毫米3,p<0.001) 和最大体积 (每年0.54毫米3,p<0.001) 有显著的线性影响.
结论:
- 开发了一种自动化的深度学习工具,用于从常规T2加权MRI扫描中量化PSD和AG体积.
- 提供了整个寿命的示例体积范围,作为对神经流体循环功能障碍研究的参考.
- 开发的软件和培训数据是公开的,以促进进一步的研究.
