深度学习评估海马体在阿尔茨海默病中的磁性易感性
Haruto Shibata1,2, Yuto Uchida2,3, Hirohito Kan4
1Department of Neurology, Nagoya City University East Medical Center, Chikusa-ku, Nagoya, Japan.
Journal of Alzheimer's disease : JAD
|November 25, 2024
概括
本研究介绍了一种3D残留UNET模型,用于定量敏感性映射 (QSM) 中精确的海马体细分. 该模型准确地提取磁性易感性,帮助神经退行性疾病分析.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 定量敏感性测绘 (QSM) 对神经退行性疾病研究至关重要.
- 精确的海马体细分是QSM分析的一个重大挑战.
研究的目的:
- 引入一个3D残余UNET卷积神经网络 (CNN) 模型,用于提取海马体磁感应度值.
- 提高QSM中海马分析的精度.
主要方法:
- 在297个阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 患者的QSM和T1加权图像上预训练3D残留UNET.
- 从60张QSM图像中使用手动注释的海马细分来微调模型.
- 通过戴斯相似系数 (DSC) 和皮尔森相关系数来评估性能.
主要成果:
- 该模型实现了海马细分的0.716±0.045的平均DSC.
- 在手动和CNN衍生的磁敏度值之间观察到高相关性 (0.983).
- 在磁感应度和海马体积之间发现了显著的负相关性 (-0.252左, -0.311右).
结论:
- 3D残留UNET模型显著提高了QSM中海马分析的精度.
- 这种基于CNN的方法准确地提取磁性易感性,支持神经退行性疾病研究.
更多相关视频
09:45Motor and Hippocampal Dependent Spatial Learning and Reference Memory Assessment in a Transgenic Rat Model of Alzheimer's Disease with Stroke
Published on: March 22, 2016
10.2K
07:03Evaluation of Hemisphere Lateralization with Bilateral Local Field Potential Recording in Secondary Motor Cortex of Mice
Published on: July 31, 2019
6.7K
