基于深度学习的脑干和心室MR平面测量方法:在患有渐进性超核性麻的患者中应用
Salvatore Nigro1, Marco Filardi1, Benedetta Tafuri1
1From the Center for Neurodegenerative Diseases and the Aging Brain, University of Bari Aldo Moro, Pia Fondazione Cardinale G. Panico, 73039 Tricase, Italy (S.N., M.F., B.T., A.G., V.G., D.U., G.L.); Department of Translational Biomedicine and Neuroscience (DiBraiN), University of Bari Aldo Moro, Bari, Italy (M.F., B.T., G.M., G.L.); Department of Radiology, Pia Fondazione Cardinale G. Panico, Tricase, Italy (M.N., R.D.B.); Department of Neurosciences, Institute of Psychiatry, Psychology and Neuroscience, King's College London, London, England (D.U.); and Operative Unit of Neurology, San Paolo Hospital, ASL Bari, Bari, Italy (S.Z.).
一种新的深度学习 (DL) 方法使用MRI准确地细分和测量大脑结构. 这种自动化方法有助于区分渐进性超核性 (PSP) 和帕金森病 (PD).
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 渐进性超核性 (PSP) 的特点是特定的脑干和心室变化.
- 准确高效的定量MRI分析对于诊断PSP至关重要.
- 目前的手动细分方法耗时且容易变化.
研究的目的:
- 开发一种快速,完全自动化的深度学习 (DL) 方法,用于MRI细分和测量受PSP影响的关键大脑结构.
- 与手动细分相比,评估基于DL的自动测量的可靠性和准确性.
- 评估DL衍生指标在区分PSP与帕金森病 (PD) 中的有用性.
主要方法:
- 来自健康对照组的T1加权的MRI图像被用来训练DL模型对中脑,小脑,小脑脚和心室进行细分.
- 分段模型的可靠性在内部,外部和临床测试数据集 (n=305) 上得到验证.
- 将自动测量与专家手动测量进行比较,并使用衍生指数 (MRPI,MRPI 2.0) 进行差异诊断.
主要成果:
- 基于DL的细分实现了所有大脑区域的Dice系数>0.85,显示了与手动细分的高度一致.
- 自动和手动测量显示出强烈的相关性 (斯皮尔曼 ρ > 0.80,P < .001).
- DL方法有效地将PSP患者与PD患者区分开来,AUC>0.92.2.
结论:
- 自动化DL方法提供精确可靠的细分和测量脑干和心室结构.
- 这种基于DL的方法可以显著支持PSP的诊断.
- 该方法有可能用于诊断其他涉及脑干和心室变化的疾病.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
09:41A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery
Published on: May 20, 2016
