在纵向认知衰退中,用于大脑子区域的粉样蛋白量化多实例学习注意力模型

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:

• 粉样蛋白PET扫描对于识别大脑中的β-粉样蛋白沉积至关重要,这是阿尔茨海默病的标志.
• 目前的方法可能需要多种成像模式,增加复杂性和成本.
• 自动化对粉样蛋白PET扫描的分析可以提高效率和可访问性.

研究的目的:

• 开发和验证一个深度学习模型,仅使用PET扫描来自动检测粉样沉积物.
• 为了评估模型的性能而不需要共同注册的MRI扫描.
• 用关键性能指标将模型的准确性与现有方法进行比较.

主要方法:

• 开发了一个深度学习模型,利用多实例学习和注意力.
• 该模型在2647个18F-Florbetapir PET扫描中接受了训练和验证,这些扫描来自阿尔茨海默氏症神经成像计划 (ADNI).
• 在内部和外部数据集 (A4研究) 上使用平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估性能.

主要成果:

• 该模型在ADNI测试套件上实现了0.0243的MAE和0.0320的RMSE.
• 在外部A4研究数据集上,该模型实现了0.038的MAE和0.0495.5的RMSE.
• 与现有模型相比,拟议的模型显示了较低的MAE和RMSE.

结论:

• 开发的深度学习模型有效地自动化了在没有MRI的情况下从PET扫描中检测粉样沉积物.
• 该模型显示了高精度和改进的性能,为阿尔茨海默病的研究和诊断提供了宝贵的工具.
• 为实践应用该模型,创建了一个用户友好的图形界面.