从使用深度学习的老年人的磁共振图像精确和快速整体头部细分

科学领域:

• 医疗成像医学成像
• 计算神经科学是一种神经科学.
• 人工智能的人工智能

背景情况:

• 从磁共振图像 (MRI) 准确的全头细分对于创建个性化的计算模型至关重要,特别是对于非侵入性脑刺激.
• 现有的自动细分工具往往无法充分解决老年人群的问题,他们经历了与年龄相关的结构变化,如大脑缩.

研究的目的:

• 介绍GRACE (通用,快速和全面的整体头部细分),这是一种全新的深度学习方法,用于整体头部MRI组织细分.
• 解决现有工具对老年人MRI细分的局限性,使与年龄相关的大脑疾病的高精度建模成为可能.

主要方法:

• 在一个独特的数据集上进行了GRACE的训练和验证,该数据集包括177个手动校正的T1加权的MRI卷.
• 该数据集包括精细的手册审查和细分为11种不同的组织类型.
• 该方法与五个自由可用的软件工具和传统的3D U-Net.相比较.

主要成果:

• 在五个组织分段任务中,GRACE 取得了卓越的性能,平均豪斯多夫距离为 0.21,而第二名的 0.36.
• 在大约3秒内,GRACE将全头MRI细分为部分,比目前最快的工具快3分钟快得多.
• 该研究使用了迄今为止最大的手动纠正数据集用于MRI细分.

结论:

• 格雷斯提供了一个高度准确和快速的解决方案,可以从老年人T1-MRI扫描中对各种组织类型进行细分.
• 针对老年人头部的优化模型支持与年龄相关的大脑疾病的高精度计算建模.
• 为了促进开放的科学和进一步的研究,GRACE代码和训练有素的权重是公开的.