建立和基于深度学习的细分方法的比较评估,用于在大脑磁共振成像分析中的海马体积估计

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 精确的海马细分对于理解神经疾病至关重要.
• 像FreeSurfer-Aseg和FSL-FIRST这样的传统方法已经建立,但可能耗时.
• 深度学习为更快,更有效的图像分析提供了潜力.

研究的目的:

• 评估基于深度学习的两种海马细分方法SynthSeg和TigerBx的性能.
• 将它们的准确性,可复制性和处理速度与FreeSurfer-Aseg和FSL-FIRST进行比较.
• 评估它们在基于海马缩的阿尔茨海默氏症疾病分类中的有用性.

主要方法:

• 从公共数据库中使用3D T1加权MRI扫描 (n=1447).
• 比较了SynthSeg和TigerBx与FreeSurfer-Aseg和FSL-FIRST的比较结果.
• 评估了细分精度,可重现性,处理时间和阿尔茨海默病分类性能.

主要成果:

• SynthSeg和TigerBx的准确性和可复制性与Aseg和FIRST相比相当.
• 深度学习方法实现了显著更快的处理时间 (不到1分钟).
• SynthSeg和TigerBx在使用海马缩率对阿尔茨海默病的分类方面表现出卓越的表现.

结论:

• SynthSeg和TigerBx是用于海马细分的有效深度学习工具.
• 它们的速度和准确性使得它们在临床和研究应用中非常有价值.
• 这些方法对研究影响海马神经系统的神经系统疾病特别有前途.