一个与帕金森病相关的核细分网络,基于CNN-Transformer交联编码器与功能融合

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 在脑MRI中深灰质 (DGM) 核的准确细分对于诊断帕金森病 (PD) 至关重要.
• 现有的细分模型面临着诸如外观变化,低对比度和老年大脑MRI中小DGM核大小等挑战.
• 需要精确的细分才能为PD诊断提供可靠的先验知识.

研究的目的:

• 开发一个先进的细分网络,用于精确识别与PD相关的DGM核在脑MRI中.
• 克服当前模型在细分受PD相关变化影响的DGM核方面的局限性.
• 提供一个实用的工具,帮助临床医生快速准确地诊断PD.

主要方法:

• 提出了一种具有交替编码器结构的新型网络,将卷积神经网络 (CNN) 用于空间特征和变压器用于全球信息相结合.
• 引入了一个级联的频道空间智能块,以有效地融合CNN和变压器的功能.
• 在解码器中实现了一个对称的边界注意模块和一个动态的适应性兴趣区域加权的子损失,以改善边界和小结构细分.

主要成果:

• 实现了PD相关的DGM核细分的最佳平均性能指标 (DSC: 0.854,IOU: 0.750,HD95: 1.691毫米,ASD: 0.195毫米).
• 在多中心临床和公共数据集中表现出良好的概括性.
• 对细分结果的体积分析显示,健康对照组 (HCs) 和PD患者之间存在显著差异.

结论:

• 拟议的网络有效地对与PD相关的DGM核进行细分,为PD诊断提供精确的先验知识.
• 该方法有望通过先进的成像分析帮助临床医生快速准确地诊断PD.
• 这项工作为像PD这样的神经退行性疾病的成像分析提供了实用方法.