BrainLossNet:一种快速,准确和强大的方法来估计从纵向核磁共振 (MRI) 损失的大脑体积

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
• 机器学习在医学中的应用

背景情况:

• 大脑体积损失 (BVL) 是神经退行症的一个关键指标.
• 像SIENA这样的当前最先进的方法是准确的,但计算密集.
• 需要更快,可靠的BVL估计方法用于临床应用.

研究的目的:

• 介绍BrainLossNet,一种新的卷积神经网络 (CNN),用于快速准确地估计大脑体积损失 (BVL).
• 为了评估BrainLossNet的性能和稳定性,与已建立的SIENA软件相比.
• 评估BrainLossNet对于常规临床神经成像工作流程的适用性.

主要方法:

• BrainLossNet使用基于CNN的非线性注册来进行基线/后续的3D-T1w-MRI对.
• 脑体积损失 (BVL) 是使用注册的脑膜膜膜口罩计算的,并应用了扭曲校正.
• 该方法在1525对MRI上进行了训练,并通过来自多发性硬化症患者的数据集和各种临床适应症的数据集进行了验证,包括用于强度测试的幻影数据.

主要成果:

• BrainLossNet实现了2-3分钟的处理时间,比SIENA快得多.
• 在不同患者队列中,BrainLossNet和SIENA之间的脑体积损失 (BVL) 中位数差异是微小的 (0.08%-0.10%).
• 与SIENA相比,BrainLossNet对短期MRI变异性表现出更高的稳定性,这一点在幻影研究中明显BVL分布较窄.

结论:

• BrainLossNet提供与SIENA可比的脑体积损失 (BVL) 估计,但具有显著增强的稳定性和速度.
• 该方法内置的扭曲校正可能有助于提高其稳定性.
• 快速处理时间 (2-3分钟) 使BrainLossNet成为在常规神经退行评估中广泛采用临床评估的可行工具.