开发和验证两阶段卷积神经网络算法,用于对MRI白质超强度进行细分,用于CADASIL的纵向研究

科学领域:

• 神经成像是一种神经成像.
• 医疗人工智能 医疗人工智能
• 脑血管疾病 脑血管疾病

背景情况:

• 卡达西尔是一种严重的遗传性脑小血管疾病.
• 在CADASIL中难以准确地对白质超强度 (WMH) 进行细分.
• WMH是小血管疾病进展的关键指标.

研究的目的:

• 在CADASIL中适应和验证一种自动卷积神经网络 (CNN) 方法来测量WMH进展.
• 根据专家验证的数据和现有的细分工具评估CNN方法的性能.
• 调查影响WMH进展测量的因素.

主要方法:

• 利用了来自132名CADASIL患者的2D/3D FLAIR和T1加权MRI扫描的大数据集.
• 适应和验证了一个自动化的CNN算法用于WMH细分.
• 采用两阶段的学习模型方法来提高细分精度.

主要成果:

• 该CNN方法显示与专家验证的WMH数量有很强的相关性.
• 与BIANCA方法相比,细分精度显著提高,减少了假阳性和细分不足.
• WMH进展与年龄和个体患者轨迹相关,受初始WMH负载和MRI采集类型的影响.

结论:

• 自动化的CNN细分为测量CADASIL中的WMH进展提供了一种可靠的方法.
• 这种方法为量化疾病进展提供了信心.
• 这些发现支持使用人工智能来分析小血管疾病的神经成像数据.