在多个队列中评估的不完整海马逆转的自动评分

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 医学图像分析 医学图像分析

背景情况:

• 不完整的海马逆转 (IHI),或海马逆转,影响约20%的人口,与和精神分裂症有关.
• 目前使用MRI对IHI的视觉评估是耗时和主观的.
• 了解IHI的遗传和环境因素需要进行大规模研究,需要有效的分析方法.

研究的目的:

• 开发和验证一种自动化方法来评价不完整的海马体逆转 (IHI).
• 为了预测可解释的IHI得分的四个关键解剖学标准.
• 调查用于IHI评估的不同机器学习模型的性能和通用性.

主要方法:

• 使用深度学习模型 (conv5-FC3,ResNet,SECNN) 和回归用于自动IHI评级.
• 在包括IMAGEN,QTIM,QTAB和UKBiobank (共4000多名参与者) 在内的大型队列上训练并测试模型.
• 研究了多队列学习策略,以提高跨不同数据集的模型概括性.

主要成果:

• 深度学习模型在IHI评级中显著优于回归.
• 该conv5-FC3网络实现了与更复杂的模型可比的性能,计算成本更低.
• 多队列训练大大提高了模型的概括性,在未见的队列上产生了可接受的性能.

结论:

• 通过使用深度学习,自动化IHI评级是可行的和有效的.
• 拟议的方法提供了可解释的得分,并提高了IHI的研究效率.
• 多队列学习对于开发强大的和可通用的IHI评估工具至关重要.