在T1权重大脑MRI上灰色物质结构的全面细分:对卷积神经网络,卷积神经网络混合变压器或 -Mamba架构的比较研究
Yujia Wei1, Jaidip Manikrao Jagtap1, Yashbir Singh1
1From the Department of Radiology, Mayo Clinic, Rochester, Minnesota.
AJNR. American journal of neuroradiology
|October 21, 2024
概括
U-Mamba_Bot擅长从MRI扫描中对122个大脑结构进行细分,优于其他深度学习模型. 这种先进的AI工具对理解神经退行性疾病 (如阿尔茨海默氏症) 充满希望.
科学领域:
- 人工智能的人工智能
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
背景情况:
- 深度学习模型在医学图像细分方面表现有前途.
- 现有的脑MRI细分模型在数据集大小和结构识别方面存在局限性.
- 这项研究旨在确定最有效的深度学习模型,用于细分多个大脑结构.
研究的目的:
- 评估和比较六种先进的深度学习模型的性能,用于从T1加权MRI扫描中对122个大脑结构进行细分.
- 确定脑MRI细分中的临床和研究应用中最有效的模型.
- 评估这些模型在理解神经退行性疾病方面的潜力.
主要方法:
- 分析了1510个T1加权的MRI扫描.
- 六个深度学习模型 (nnU-Net,SegResNet,SwinUNETR,UNETR,U-Mamba_BOT,U-Mamba_Enc) 进行了比较.
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD95) 测量精度.
- 在正常对照组和阿尔茨海默氏病患者之间比较了大脑结构体积.
主要成果:
- U-Mamba_Bot获得了最高的中位数DSC (0.9112).
- nnU-Net显示了最高的HD95 (1.392),表明了精确的结构捕获.
- 卷积分析显示了与阿尔茨海默病患者现有文献相一致的变化.
结论:
- U-Mamba_Bot是一种高效的工具,用于在T1加权MRI中详细细分大脑结构.
- 深度学习模型显示了促进对阿尔茨海默氏症等神经退行性疾病的理解的潜力.
- 建议使用更大的数据集进行进一步验证,并在其他神经疾病中进行探索.
