基于深度学习的层次大脑细分与重复性和可重复性的初步分析
Masami Goto1, Koji Kamagata2, Christina Andica2
1Department of Radiological Technology, Faculty of Health Science, Juntendo University, Tokyo, Japan.
概括
新的基于深度学习的层次大脑细分 (DLHBS) 方法在估计大脑区域体积方面显示出优异的重复性和可重复性,与SPM和FreeSurfer相比. 这种先进的工具提供了更可靠的脑子子区域分析.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 精确的大脑亚区域体积测量对于神经学研究和临床诊断至关重要.
- 像SPM和FreeSurfer这样的现有细分工具在重复性和可重复性方面存在局限性.
- 深度学习为改进自动化大脑细分提供了潜力.
研究的目的:
- 开发和评估一种新的基于深度学习的层次大脑细分 (DLHBS) 方法.
- 评估DLHBS的可重复性和可重复性,用于大脑子区域体积估计.
- 为了将DLHBS的性能与既有工具进行比较:统计参数映射 (SPM) 和FreeSurfer (FS).
主要方法:
- 采用具有多个深度学习模型的等级细分来有效地细分大脑子区域.
- 训练模型使用大量数据集 (496名受试者) 的T1加权MR图像 (T1WI) 并通过手动校正验证.
- 通过使用三台MRI扫描仪对11名健康受试者的扫描-重新扫描数据来评估重复性和可重复性.
主要成果:
- 与SPM和FS相比,DLHBS在所有八个评估区域都表现出优异的重复性,包括灰质,白质和海马体.
- 在6个地区,DLHBS的复制性高于SPM,在5个地区的复制性高于FS.
- 在DLHBS中没有观察到较低的重复性或可重复性的情况.
结论:
- 对于大脑子区域体积的重复性和可重复性,DLHBS显著优于SPM和FS.
- DLHBS方法为大脑图像分析提供了更可靠,更准确的方法.
- 这一进步对更强大的神经学研究和诊断有影响.
