基于深度学习的脑干细分的扩展技术和临床验证,用于神经退行性疾病的应用

科学领域:

• 神经成像是一种神经成像.
• 医疗人工智能 医疗人工智能
• 神经科学是一个神经科学.

背景情况:

• 中枢神经系统疾病,包括神经退行性疾病,通常会影响大脑干,导致焦点缩.
• 准确的脑干细分对于评估疾病进展和开发生物标志物至关重要.

研究的目的:

• 优化基于深度学习的脑干细分,用于各种病理和MRI参数.
• 在技术和临床上验证细分方法.
• 在存在脑干病变时增强细分.
• 提供一个开源的大脑干细分工具.

主要方法:

• 在异质数据集 (n=257) 上训练深度学习模型 (MD-GRU,nnU-Net).
• 与地面真相和FreeSurfer相对验证的性能.
• 评估扫描-重新扫描可重复性 (n=46) 和扫描器间可重复性 (n=20).
• 在多重系统缩和多发性硬化症队列中评估了临床效用.

主要成果:

• MD-GRU和nnU-Net都实现了高细分性能 (Dice ≥0.95),超过了以前的模型.
• 实现了优异的扫描-重新扫描可重复性和扫描器间可重复性.
• 在检测脑干缩的方法中表现出相似的性能.
• 损伤填充改善了多发性硬化症患者的细分精度.

结论:

• 改进和验证了两个自动化的深度学习脑干细分方法.
• 这些工具的公开发布促进了对脑干体体积作为神经退行生物标志物的更广泛研究.