在患有抑郁症的患者中使用深度学习对 Habenula 的细分和体积估计

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 精神病学是一个精神病学.

背景情况:

• 在抑郁症的病理生理学中,哈本卢拉的作用是公认的,但不一致的体积发现阻碍了研究.
• 对于传统的方法来说,精确的细分小 habenula 结构是具有挑战性的.

研究的目的:

• 开发基于深度学习的高度准确的habenula细分模型.
• 为了验证模型在不同临床磁共振成像 (MRI) 数据集中的概括性.
• 为了研究健康人和抑郁症患者之间的 habenula 体积差异.

主要方法:

• 在3TMRI数据上使用3D残余U-Net深度学习模型进行 Habenula 细分.
• 模型的性能使用Dice系数和平均绝对百分比误差来评估推导和测试-重新测试队列的表现.
• 对具有不同成像参数 (场强度,分辨率,序列) 的数据集进行了概括性测试.

主要成果:

• 细分模型在衍生队列中实现了86.6%的Dice系数,并显示出高可重复性 (平均绝对百分比误差6.66%).
• 该模型在各种成像条件下保持了>80%的子系数,证实了其通用性.
• 观察到 habenula 体积和年龄之间存在显著的负相关性,在抑郁症患者中更为明显.
• 在女性中, Habenula 体积随着抑郁症的严重程度而下降,独立于年龄和扫描效应.

结论:

• 使用深度学习进行精确的 habenula 分段是可行的和可概括的.
• Habenula 容量是抑郁症的潜在病理生理标志物,特别是在女性中.
• 这些研究结果表明,大脑的体积可以作为抑郁症的诊断和治疗标志物.