通过使用组织相似性先验的自动标签,通过深度学习改进脑缩量化

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
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 通过MRI量化大脑缩对于神经退行性疾病的诊断和预后至关重要.
• 目前的方法面临技术和生物学挑战,限制了个性化评估.
• 准确可靠的缩测量对于临床应用至关重要.

研究的目的:

• 开发一个改进的深度学习管道用于脑缩量化.
• 增强基于MRI的自动化细分,以获得更好的诊断标记.
• 为了克服现有的自动化脑缩测量技术的局限性.

主要方法:

• 一个深度学习管道,利用组织相似性规范化用于MRI细分.
• 使用未标记的T1加权MRI扫描对进行训练,并使用FSL进行自动化目标细分.
• 在训练期间通过加权损失术语强制组织相似性,惩罚体积差异.
• 无需图像插曲的头骨剥离和脑组织细分的端到端推断.

主要成果:

• 组织相似性规范化减少了量化误差,并在短间隔扫描中改善了体积一致性.
• 管道证明了纵向缩措施的变化性降低.
• 与参考方法和SIENA相比,在MIRIAD和ADNI1数据集上实现了更高的效果大小 (科恩的d).
• 在区分健康对照组与阿尔茨海默氏症患者的区别方面表现出显著的改善.

结论:

• 拟议的深度学习管道为脑缩量化提供了更准确,更可靠的方法.
• 组织相似性规范化有效地减少了细分中的偏见和系统错误.
• 这一进展对于解锁大脑缩作为神经退行性疾病的可靠诊断和预后标志物至关重要.