基于AI的可变形海马网反映了健康老年人与认知相关的海马体形态特征

科学领域:

• 神经成像是一种神经成像.
• 认知神经科学 认知神经科学
• 计算解剖学的计算解剖学

背景情况:

• 海马结构与认知功能和随着衰老而发生的变化有关.
• 分析海马体形态存在各种方法,但它们的可比性,特别是与新的深度学习技术的可比性,尚不清楚.
• 了解这些方法对于研究老年人认知衰老至关重要.

研究的目的:

• 用传统和深度学习 (DL) 方法比较海马体形状分析结果.
• 研究不同二进制面具生成技术 (手动或基于DL) 对正常老年人的认知关联的影响.
• 评估不同分析方法的发现的一致性.

主要方法:

• 老年人的磁共振成像 (MRI) 数据.
• 使用基于拉普拉斯的变形方法与手动生成的面具进行海马体形态分析.
• 使用深度学习 (DL) 基于PointNet的方法与SynthSeg生成的面具进行海马体形态分析.
• 与认知领域性能相关的形状分析结果的比较.

主要成果:

• 大多数先前报告的海马体形态与认知之间的显著关联得到了复制.
• 观察到结果的差异,主要归因于二进制面具和方法灵敏度的变化.
• 模板网格特征 (例如,顶点数,分布) 并没有显著影响研究结果.

结论:

• 传统的和基于DL的海马形状分析方法都能揭示老年人的显著认知关联.
• 二进制面具的选择和分析方法的灵敏度是影响结果的关键因素.
• 需要进一步的研究来标准化用于对老化中的大脑结构-认知关系进行可靠评估的方法.