一个机器学习模型来协调体积大脑MRI数据,用于对阿尔茨海默病的定量神经放射学评估
Damiano Archetti1, Vikram Venkatraghavan1, Béla Weiss1
1From the Laboratory of Neuroinformatics, IRCCS Istituto Centro San Giovanni di Dio Fatebenefratelli, Via Pilastroni 4, Brescia 25125, Italy (D.A., A.R.); Alzheimer Centre Amsterdam, Neurology, Vrije Universiteit, Amsterdam UMC, location VUmc, Amsterdam, the Netherlands (V.V., W.M.v.d.F., B.M.T.); Amsterdam Neuroscience, Neurodegeneration, Amsterdam, the Netherlands (V.V., W.M.v.d.F., B.M.T.); Brain Imaging Centre, HUN-REN Research Centre for Natural Sciences, Budapest, Hungary (B.W., T.A., Z.V.); Biomatics and Applied Artificial Intelligence Institute, John von Neumann Faculty of Informatics, Óbuda University, Budapest, Hungary (B.W.); The Australian e-Health Research Centre, CSIRO Health and Biosecurity, Brisbane, Australia (P.B.); School of Psychology, University of Surrey, Guildford, United Kingdom (T.A.); Sorbonne Université, Institut du Cerveau-Paris Brain Institute-ICM, CNRS, Inria, Inserm, AP-HP, Hôpital Pitié-Salpêtrière, Paris, France (S.D.); Department of Epidemiology and Data Science, Vrije Universiteit, Amsterdam UMC, location VUmc, Amsterdam, the Netherlands (W.M.v.d.F.); Department of Radiology and Nuclear Medicine, Amsterdam UMC, Vrije Universiteit, Amsterdam, the Netherlands (F.B.); Queen Square Institute of Neurology, University College London, United Kingdom (F.B.); and UCL Hawkes Institute, Department of Medical Physics and Biomedical Engineering and Department of Computer Science, University College London, London, United Kingdom (F.B., D.C.A., A.A., N.P.O.).
一种新的机器学习方法,多类神经和,改善了用于阿尔茨海默病评估的大脑扫描协调. 它有效地消除了扫描器效应,并保留了诊断信息,即使使用以前未见过的扫描器.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 在不同MRI扫描仪中协调大脑体积数据对于大规模阿尔茨海默病研究至关重要.
- 像Neuroharmony这样的现有方法在对扫描仪的概括方面面临着挑战,这些方法在培训过程中没有遇到.
- 考虑到阿尔茨海默病病理和图像质量之间的相互作用,对于准确的协调至关重要.
研究的目的:
- 扩展Neuroharmony机器学习算法,以协调来自隐形MRI扫描仪的大脑体积数据.
- 开发Neuroharmony的多类扩展,以解释阿尔茨海默病病理学和图像质量相互作用.
- 评估拟议的多类模型与大型多中心数据集中的现有策略的性能.
主要方法:
- 开发了基于随机森林的神经和算法的多类扩展.
- 利用图像质量指标作为预测指标,在大脑体积数据中删除扫描器相关的影响.
- 通过对11个队列和43个扫描仪的20864名参与者的数据进行交叉验证,对性能进行了基准测试.
主要成果:
- 与预先协调的数据相比,多类神经和模型在扫描器对之间显示出显著更高的标记符号一致性.
- 与未见的扫描仪上的原始神经和模型 (0.70 ± 0.11) 相比,拟议的模型实现了更高的一致性 (0.75 ± 0.09).
- 多类模型比未扩展的神经和模型 (∆AUC = -0.091 ± 0.036) 更好地保留了与疾病相关的信号 (∆AUC = -0.006 ± 0.027).
结论:
- 拟议的多类神经和模型代表了从无形扫描仪协调大脑体积数据的重大进步.
- 这种方法提高了神经成像分析在多中心阿尔茨海默病研究的可靠性.
- 这些发现支持使用先进的机器学习来在临床环境中进行强大的图像后处理.


