基于深度学习的算法,用于自动量化尼格罗素-1和帕金森症分类,使用易感度图权重的MRI
Pae Sun Suh1,2, Hwan Heo3, Chong Hyun Suh4
1From the Department of Radiology and Research Institute of Radiology (P.S.S., C.H.S. Hwon Heo, W.H.S., H.S.K., S.J.K.), Asan Medical Center, University of Ulsan College of Medicine, Seoul, Republic of Korea.
AJNR. American journal of neuroradiology
|November 15, 2024
概括
一种新型的深度学习模型使用易感性地图加权成像准确量化尼格拉尔超强度,有助于诊断和评估特异性帕金森病的症状.
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
- 神经退行性疾病 神经退行性疾病
背景情况:
- 敏感性地图加权成像 (SMwI) 上的黑色素-1异常是神经退行性帕金森症的潜在生物标志物.
- 深度学习模型的诊断性能用于同时检测和定量黑色素-1异常仍然未被探索.
研究的目的:
- 开发和验证一个基于深度学习的自动量化模型,用于尼格拉尔超强度.
- 为神经退行性帕金森症开发和验证基于深度学习的分类算法.
主要方法:
- 追溯收集450名参与者 (210名患有特异性帕金森病[IPD],240名对照) 进行培训和237名参与者 (168名IPD,58名基本震,11名药物诱导的帕金森症) 进行验证.
- 从多回声梯度回声重建的SMwI数据.
- 使用Heuron NI (量化) 和Heuron IPD (分类) 模型评估诊断性能,使用DaTscan PET.的IPD诊断参考标准.
主要成果:
- 黑龙NI的AUC为0.915 (左) 和0.928 (右) 实现了黑色高强度量化.
- 黑龙IPD实现了0.967 (左) 和0.976 (右) 的AUC,用于分类黑色高强度异常.
- 与较低得分 (1-2.5) 的患者相比,在高霍恩和雅尔 (H&Y) 评分 (≥3) 的患者中观察到较小的尼格拉尔高强度体积.
结论:
- 开发的深度学习模型可以快速准确地自动量化尼格拉尔超强度.
- 这有助于诊断特异性帕金森病,预测症状严重程度,并为个性化治疗提供患者分层.
- 建议在不同的临床环境中进一步验证.
更多相关视频
06:09Semi-Quantitative Determination of Dopaminergic Neuron Density in the Substantia Nigra of Rodent Models using Automated Image Analysis
Published on: February 2, 2021
4.4K
05:14Standardized Data Acquisition for Neuromelanin-Sensitive Magnetic Resonance Imaging of the Substantia Nigra
Published on: September 8, 2021
3.3K
