在高分辨率扩散磁共振成像上对海马体进行自动深度学习细分,并将其应用于健康寿命
Dylan Miller1,2, Cory Efird1,2, Kevin Grant Solar3
1Department of Computing Science, University of Alberta, Edmonton, Alberta, Canada.
NMR in biomedicine
|August 13, 2024
概括
一种新的深度学习方法在扩散核磁共振扫描上自动对海马进行细分. 这种技术提高了大脑衰老和疾病的大规模研究的准确性和效率.
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:
- 扩散张力成像 (DTI) 提供了对海马微观结构变化的洞察.
- 基于DTI的精确海马细分是具有挑战性的,因为它的尺寸,位置和图像对比度.
- 手动细分是耗时的,对于大群体研究来说是不切实际的.
研究的目的:
- 开发和验证一种自动化的深度学习方法,用于直接在高分辨率扩散MRI上对海马体进行细分.
- 评估自动化方法的性能与手动细分和评价者之间的可靠性相比.
- 评估该方法在不同DTI协议中的通用性及其在分析与年龄相关的大脑变化中的实用性.
主要方法:
- 扩展深度学习架构 (UNet/UNet++与密集的剩余连接) 用于细分.
- 该模型在100名健康参与者身上接受了手动DTI细分的训练.
- 使用独立队列上的Dice分数来评估性能,并与手动细分和评分器间可靠性进行比较.
主要成果:
- 自动化方法获得了优异的Dice分数~0.90,相当于手动细分的评分间可靠性 (0.86).
- 该方法证明了对不同的DTI协议的通用性,采用更少的收购.
- 自动细分揭示了与手动细分相似的与年龄相关的体积和扩散度指标轨迹.
结论:
- hippocampus 的自动化高分辨率扩散MRI 分段是可行的和准确的.
- 这种方法使大脑结构和功能的大规模队列分析更容易.
- 未来的研究应该在患者群体中验证这种方法.
