找到深度学习临床灵敏度的极限,使用微分异构 (FA) 微结构图
Marta Gaviraghi1, Antonio Ricciardi2, Fulvia Palesi1
1Department of Brain and Behavioral Sciences, University of Pavia, Pavia, Italy.
Frontiers in neuroinformatics
|June 27, 2024
概括
为了更快的脑成像,深度学习模型需要足够的扩散加权体积来保持临床灵敏度. 将输入量减少到4或7卷,与"一分钟FA"方法不同,对外部数据集的诊断准确性有所损害.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 扩散加权 (DW) 成像为神经疾病研究提供了像分数异构 (FA) 这样的定量图,这对于神经疾病研究至关重要.
- 精确的FA地图计算通常需要几分钟的采集时间,因为需要大量的DW体积来最大限度地减少方向偏差.
- 深度学习 (DL) 提供了一个潜在的解决方案,通过减少所需的DW卷数来减少获取时间.
研究的目的:
- 为了研究将扩散权重 (DW) 输入量显著降低到4或7对深度学习 (DL) 网络的性能和临床灵敏性的影响,用于计算分数异构 (FA) 地图.
- 为了比较这些减少输入的DL网络与先前开发的"一分钟FA"DL网络和标准方法的有效性.
主要方法:
- 训练DL网络使用4和7个DW输入量的人类连接组项目 (HCP) 数据集生成FA地图.
- 通过在两个独立的外部临床数据集上进行测试,以不同的扫描仪和协议获取训练网络的概括性和临床敏感性.
- 将减少输入网络的性能与已建立的"一分钟FA"网络和地面真实FA地图进行了比较.
主要成果:
- 用4或7个DW卷进行训练的DL网络可以在HCP数据集上测试时生成与地面真实值可比的FA地图.
- 然而,这些减少输入网络在外部临床数据集上测试时失去了病理敏感性,未能检测出患者群体之间的一致差异.
- "一分钟FA"网络使用10个DW体积,在外部数据集上保持其性能和临床灵敏度,没有类似的退化.
结论:
- 开发用于加速DW成像的DL网络需要仔细考虑概括能力和对定量生物标志物的临床敏感性.
- 将DW输入体积数量减少到一定门以下 (例如,本研究中的10个体积) 可能会损害生成的FA地图的诊断实用性,当应用到各种临床数据时.
- "一分钟的FA"方法证明了一种更强大的方法,可以实现缩短获取时间,同时保持神经成像中的临床相关性.
