预测白质超强度的演变,从单点脑MRI和中风病变信息中预测中风后的一年

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
• 放射学 放射学是一门学科.

背景情况:

• 白质超强度 (WMH) 在老年人中很常见,其进展会影响治疗策略.
• 预测WMH演变是具有挑战性的,因为有众多的血管风险因素和仅仅来自成像的有限信息.
• 了解WMH变化对于在轻度中风后进行个性化干预至关重要.

研究的目的:

• 评估将中风病变信息整合到深度学习模型中的影响,以预测WMH演变.
• 评估一种概率U-Net模型的有效性,该模型包含中风病变数据,用于1年的WMH变化预测.
• 引入和评估一个新的"体积损失"与WMH和中风病变的关节细分一起.

主要方法:

• 利用一个概率U-Net模型,从T2-FLAIR脑MRI扫描中预测WMH演变.
• 包括来自中风病变的信息,这是影响WMH进展的关键因素.
• 实现了"体积损失"功能,并对WMH和中风病变疾病演变图 (DEM) 进行了联合细分.

主要成果:

• 关节细分 WMH 和中风病变 DEM 改善了 WMH 演变预测的准确性.
• 综合方法 (体积损失和联合细分) 的表现明显优于其他配置.
• 实现了0.0092毫升的平均体积绝对误差和0.47%的平均Dice相似系数改善,用于预测WMH变化.

结论:

• 将中风病变数据集成到深度学习模型中,可以提高白质超强度演变的预测.
• 拟议的概率U-Net具有体积损失和联合细分,为预测WMH变化提供了更准确的方法.
• 这种方法有望改善中风和WMH患者的个性化治疗干预措施.