在运动神经元疾病 (MND) 中,以人工智能辅助的基于MRI的自动舌头体积评估
Ina Vernikouskaya1, Hans-Peter Müller2, Albert C Ludolph2,3
1Department of Internal Medicine II, Ulm University Medical Center, Albert-Einstein-Allee 23, 89081, Ulm, Germany. ina.vernikouskaya@uni-ulm.de.
概括
卷积神经网络 (CNNs) 准确地测量了运动神经元疾病 (MND) 患者的舌头缩. 这种人工智能方法量化了舌头体积,揭示了渐进性气囊性 (PBP) 的显著缩,但不是脊髓缩侧面硬化症 (ALS).
科学领域:
- 医学成像分析分析 医学成像分析
- 神经学中的人工智能
- 神经退行性疾病研究
背景情况:
- 运动神经元疾病 (MND) 涉及上部和下部运动神经元损伤,可能导致腹膜干扰和舌头肌肉缩.
- 精确测量舌头缩对于了解MND的疾病进展至关重要.
- 独立于操作者,舌头的自动细分对于可靠的缩评估至关重要.
研究的目的:
- 将卷积神经网络 (CNN) 应用于磁共振成像 (MRI) 数据,用于自动舌头细分和体积确定.
- 评估基于CNN的舌头体积量化的可行性,用于肌缩侧面硬化症 (ALS) 患者和健康对照.
主要方法:
- 一个单一的三平面U-Net CNN架构在轴向,冠状和角MRI平面上进行了训练,用于舌头细分.
- 从不同方向的预测被合并使用优化投票策略 (软最大平均和多数投票).
- 该方法是使用20名脊柱ALS患者和20名对照者的MRI数据开发的,并对19名PBP患者和19名对照者进行试点测试.
主要成果:
- 使用软max平均和多数投票的共识模型显示,与单一导向预测或其他共识方法相比,细分精度更高.
- 与对照组相比,古典脊柱ALS患者的舌头体积减少并不显著.
- 与对照组相比,ALS的渐进性气泡性 (PBP) 变体患者观察到舌头体积的显著减少.
结论:
- 一个U-Net CNN训练了三个直角方向,优化了合并,有效地减少了细分错误,并提高了舌头细分的准确性.
- 基于CNN的自动细分能够精确量化舌头体积,从而在神经疾病中进行客观评估.
- 该研究强调了PBP在舌头体积显著减少,支持在未来对相关疾病的纵向研究中使用这种技术.
