广泛的T1加权MRI预处理提高了深度大脑年龄预测模型的概括性

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 从T1wMRI估计大脑年龄是大脑衰老和疾病的关键生物标志物.
• 目前的大脑年龄预测的准确性在2-3年内,但由于各种预处理,交叉研究的比较很难.
• 深度学习模型越来越多地用于大脑年龄的预测.

研究的目的:

• 调查T1w图像预处理对深度学习大脑年龄模型性能的影响.
• 为了比较不同注册转换,灰度校正和软件实现的效果.
• 为了确定最佳的预处理策略,以进行强大的大脑年龄预测.

主要方法:

• 通过使用四个不同的T1w预处理管道评估了四个深度学习大脑年龄模型.
• 管道在注册转换 (刚性与亲属性),灰度校正和软件方面有所不同.
• 在不同的预处理条件和模型类型 (2D与3D) 中评估预测误差 (平均绝对误差 - MAE).

主要成果:

• 预处理选择显著影响了预测误差,MAE增加了高达0.75年.
• 与刚性注册相比,对大脑图谱的affine注册在统计上改善了MAE.
• 具有1mm3分辨率的3D模型对预处理变异的敏感性低于2D或下采样3D模型.
• 广泛的预处理改善了新数据集的MAE,与之前的发现相矛盾.

结论:

• T1w图像预处理极大地影响大脑年龄预测的准确性.
• 广泛的预处理,特别是亲属注册,提高了在未见数据上的模型性能.
• 偏移校正对于将大脑年龄模型推广到各种数据集来说至关重要,不管它们的预处理如何.