对抗式学习用于MRI重建和认知障碍个体的分类
Xiao Zhou1, Akshara R Balachandra2, Michael F Romano3,4
1Department of Molecular Biophysics and Biochemistry, Yale University, New Haven, CT 06520, USA.
IEEE access : practical innovations, open solutions
|August 16, 2024
概括
这项研究引入了一种双重目标的对抗性学习框架,用于重建更高质量的脑MRI. 该方法通过保留关键的疾病特异性成像特征,提高了对阿尔茨海默病进展的预测.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 神经科学是一个神经科学.
背景情况:
- 深度学习,特别是生成对抗网络 (GAN),在医学成像任务中表现有前途,如图像增强和文物校正.
- 精确预测阿尔茨海默病 (AD) 从轻度认知障碍 (MCI) 的进展依赖于在脑MRI扫描中保留微妙的,疾病特征.
研究的目的:
- 开发和验证一个双重目标的对抗性学习框架,用于重建高质量的脑MRI.
- 确保重建的MRI保留了关键的疾病特征,这些特征对于预测从MCI到AD的进展至关重要.
主要方法:
- 利用从ADNI和NACC数据集的T1加权脑MRI训练的GAN框架.
- 模拟"切碎"扫描,通过去除50%的斜切片,并训练生成器来重建这些扫描.
- 在GAN中集成了一个分类器,使用生成的图像来区分稳定的MCI (sMCI) 和渐进的MCI (pMCI).
主要成果:
- 该框架成功地重建了脑部MRI,与"切片"扫描相比,图像质量得到了改善 (SSIM:0.553与NACC队列中的0.348).
- 使用生成图像的分类器在区分pMCI和sMCI方面取得了更高的准确性 (F1得分:NACC队列中的0.634与0.573).
- 对NACC数据集的外部验证证实了框架的有效性.
结论:
- 开发的双重目标对抗性学习框架可以同时提高MRI质量并保留疾病特征.
- 这种方法显示出有很大的潜力,可以改善阿尔茨海默病在风险人群中进展的预测.
- 竞争性深度学习为神经退行性疾病研究中以疾病为导向的图像重建提供了一个有前途的途径.
