使用在扩散MRI上训练的卷积神经网络进行大脑年龄分析和痴呆症分类:在印度和北美群体中的测试
概括
将扩散权重MRI (dMRI) 添加到深度学习模型中,可以改善阿尔茨海默病的分类. 与3D CycleGAN协调数据集也提高了模型性能,在不同人群中显示出更好的概括性.
科学领域:
- 神经成像和人工智能的人工智能
- 医学图像分析 医学图像分析
- 计算神经科学是一种神经科学.
背景情况:
- 卷积神经网络 (CNN) 用于阿尔茨海默病 (AD) 的分类和从T1加权脑MRI推断痴呆症严重程度.
- 现有的研究往往依赖于像阿尔茨海默氏症神经成像计划 (ADNI) 这样的数据集,主要是北美和欧洲祖先的个人.
- 在这种数据集上训练的模型对不同人群的通用性仍然是一个关键的挑战.
研究的目的:
- 评估将扩散权重MRI (dMRI) 与T1权重MRI相结合的影响,以基于深度学习的阿尔茨海默氏症疾病分类.
- 评估在ADNI队列上训练的模型的概括能力,当应用于一个不同的印度队列 (NIMHANS) 时.
- 调查3D CycleGAN在模型训练之前协调成像数据集的有效性.
主要方法:
- 基于MRI扫描进行大脑年龄预测的深度学习模型的基准测试.
- 实施CNN与T1加权MRI和dMRI作为AD分类的输入.
- 采用3D CycleGAN方法进行跨数据集协调.
主要成果:
- 添加dMRI作为输入通常改善了跨模型的分类性能.
- 使用3D CycleGAN进行数据集协调,在大多数测试场景中带来了性能提升.
- 模型在协调后对印度队列进行了改进的概括.
结论:
- 扩散加权MRI为增强阿尔茨海默病检测深度学习模型提供了有价值的信息.
- 数据集协调技术对于提高神经成像人工智能模型的稳定性和通用性至关重要.
- 这项研究强调了人工智能驱动的阿尔茨海默氏症诊断工具在跨人群中的应用性.
