用大脑解剖学引导的MRI分析来评估认知障碍的临床进展,使用结构性MRI分析
Lintao Zhang1, Jinjian Wu2, Lihong Wang3
1Department of Radiology and Biomedical Research Imaging Center, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|February 23, 2024
概括
这项研究介绍了一个脑解剖学指导的表现 (BAR) 学习框架,以改善使用MRI扫描的认知障碍 (CI) 进展预测. BAR利用未标记的大脑解剖数据来提高模型的性能,优于现有方法.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 大脑结构性MRI对于预测认知障碍 (CI) 进展至关重要.
- 目前的方法受到不足的标记训练数据的限制.
- 大型公共MRI数据库包含有价值的未标记的解剖学信息.
研究的目的:
- 提出一个新的大脑解剖学导向表示 (BAR) 学习框架.
- 利用未标记的大脑解剖结构来改善CI进展的评估.
- 提高基于学习的CI预测方法的性能.
主要方法:
- 开发了一个BARR框架,共享一个由大脑解剖学引导的编码器.
- 在9544个辅助MRI上使用脑组织细分的借口模型来训练编码器.
- 微调下游模型,使用目标MRI上的学习编码器进行CI预测.
主要成果:
- 与最先进的方法相比,BAR框架显示出更高的性能.
- 通过对391名受试者进行的两项CI研究的验证,证实了BAR的有效性.
- 这种方法成功地利用了未被标记的解剖学先验来改善预测.
结论:
- 拟议的BARR框架提供了一种强有力的方法,用于使用T1加权的MRI评估认知障碍的进展.
- 整合未标记的解剖信息显著提高了基于学习的模型的预测准确度.
- BAR为利用大规模神经成像数据集提供了可泛化和有效的解决方案.
