一个深度学习模型用于儿童和成年人群的大脑细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 自动脑MRI量化有助于神经疾病的诊断和监测.
• 目前的工具往往缺乏特定年龄的适用性,限制了从婴儿期到成年期的纵向研究.

研究的目的:

• 开发和验证一个通用的深度学习模型,用于大脑组织和结构细分,跨儿科和成人群体.
• 与现有工具相比,评估模型测量的可复制性.

主要方法:

• 训练了一种深度学习模型 (icobrain-dl) 用T1加权的MRI图像对390名患者 (年龄为2-81岁) 进行训练.
• 在6个数据集 (年龄为4至90岁) 的280名患者身上验证了模型.
• 评估了扫描器内部和扫描器间的变异性,并与其他量化工具进行了复制性比较.

主要成果:

• icobrain-dl实现了与不同年龄组的特定年龄模型可比的细分精度.
• 显示的可复制性明显高于childmetrix,FastSurfer和icobrain v5.9 (p<0.01) 的可复制性.
• 在儿科大脑视觉障碍和成人阿尔茨海默病中探索临床应用.

结论:

• icobrain-dl为脑MRI量化提供了一个强大的,不依赖年龄的解决方案.
• 该模型的高可重现性提高了其用于临床研究和诊断的实用性.
• 潜在的应用包括早期检测和监测整个生命周期的神经疾病.