基于深度学习的脑缩量化使用2D T1加权MRI用于阿尔茨海默氏症疾病分类
Chae Jung Park1, Yu Hyun Park2,3,4, Kichang Kwak5
1Research Institute, National Cancer Center, Goyang, Republic of Korea.
Frontiers in aging neuroscience
|August 29, 2024
概括
使用可访问的2D T1 MRI扫描的深度学习模型可以准确地检测阿尔茨海默氏症类型痴呆症 (DAT) 中的大脑缩,与3D扫描的精度相匹配,以实现经济有效的诊断.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 脑缩评估对于诊断神经退行性疾病至关重要.
- 目前的3D T1 MRI方法耗时且昂贵.
- 开发可访问的替代方案来量化脑缩是必不可少的.
研究的目的:
- 引入深度学习算法用于使用2D T1 MRI量化大脑缩.
- 实现阿尔茨海默氏症类型痴呆症 (DAT) 与认知正常 (CU) 的经济有效区分.
- 保持或超过3D T1成像的性能,并预测AD特异性缩变化.
主要方法:
- 在924名参与者 (478个CU,446个DAT) 的脑脊液 (CSF) 量上训练了深度学习模型,使用2D T1图像.
- 将2D T1衍生的指标与来自3D T1图像的指标进行比较.
- 使用接收器操作特征分析和皮尔森相关性评估诊断性能.
主要成果:
- 在2D和3DT1衍生的CSF体积之间发现了强烈的相关性 (r=0.805-0.971).
- 2D T1算法准确地将DAT与CU区分开来 (AUC=0.873),可与3D T1相比.
- 在AD特异性缩相似性,W分数和2D T1使用的大脑年龄指数 (BAI) 中观察到高相关性.
结论:
- 2D T1 MRI的深度学习分析是一种可行且准确的脑缩评估方法.
- 这种方法提供了与3D T1成像相比较的诊断精度.
- 2D T1MRI为痴呆症诊断提供了一个低成本,时间效率高的替代方案.
