一个有效和强大的格子博尔茨曼模型,以海马体亚区域细分为指导,用于海马体亚区域细分
Yingqian Liu1,2,3, Min Wang2, Xianfeng Yu4
1School of Communication and Information Engineering, Shanghai University, Shanghai, China.
Medical physics
|February 19, 2024
概括
一种新的,不需要培训的方法准确地为阿尔茨海默氏症 (AD) 研究细分海马子区域 (HS). 这种方法为早期AD检测和生物标志物开发提供了快速和可通用的工具.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 阿尔茨海默病 (AD) 影响海马子区域不同,需要精确的结构评估,以便早期检测.
- 开发自动化,可靠的海马亚区域 (HS) 分段方法对于理解AD进展至关重要.
研究的目的:
- 提出和验证一个无需培训的,高度可通用的HS细分模型.
- 为了实现与AD生物标志物开发的最先进技术相提并论的准确性和效率.
主要方法:
- 利用功能性MRI数据和大脑的综合注册和细分工具 (FIRST) 进行初始的海马区分.
- 集成的Brainetome图谱用于粗HS细分,使用格子博尔兹曼 (LB) 模型与形状先验和图像梯度进行精细化.
- 评估了阿尔茨海默病神经成像计划 (ADNI) 和武数据集的细分精度,评估了生物标志物潜力.
主要成果:
- 在HS细分 (0.87-0.89) 中获得高中位数的Dice相似系数 (DSC).
- 在区域不对称性中显示出强烈的相关性 (0.91-0.93) 和高体积相关性 (0.93-0.96) 与黄金标准.
- 观察到轻度认知障碍 (MCI) 转换器的HS显著体积下降,并在正常对照组,MCI和AD组中确定了显著的群体差异 (p<0.05).
结论:
- 拟议的框架可直接应用于各种脑MRI数据集,无需培训,可以消除复杂的预处理.
- 实现与深度学习方法相比的细分精度,即使数据有限,并且比传统方法提供了显著的速度优势.
- 分段性HS显示为跟踪阿尔茨海默病进展的潜在生物标志物具有前途.
