一个计算本体学框架,用于从脑MRI扫描中合成多层次病理学报告
Devesh Singh1, Alice Grazia1, Achim Reiz2
1German Center for Neurodegenerative Diseases (DZNE), Rostock/Greifswald, Germany.
Journal of Alzheimer's disease : JAD
|April 21, 2025
概括
这项研究引入了一种使用卷积神经网络和本体学的自动化管道,用于分析阿尔茨海默病 (AD) 和前性痴呆症 (bvFTD) 中的大脑缩. 该方法通过可视化层次大脑变化来有效地区分这些条件.
科学领域:
- 神经成像是一种神经成像.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 卷积神经网络 (CNN) 有助于区分阿尔茨海默病 (AD) 和行为变异前性痴呆症 (bvFTD) 使用MRI体积学.
- 现有的CNN工具缺乏结构化的大脑解剖学表示,用于聚合病理信息和计算推理.
研究的目的:
- 开发一个计算本体学管道来量化大脑中的等级病理异常.
- 可视化脑缩发现的总结图表,以帮助差异诊断.
主要方法:
- 用FastSurfer对多个队伍的3433个MRI扫描进行细分的大脑区域和测量体积/皮质厚度.
- 使用Web本体语言 (OWL) 开发了一个语义模型来编码层次化的解剖信息.
- 创建了太阳爆发图形可视化,用于检查本体数据.
主要成果:
- 该框架通过神经解剖学抽象水平动态估计和汇总区域病理偏差.
- 基于体积和皮质厚度偏差的疾病相似性指数,在分离AD和bvFTD时获得了0.88的AUC.
- 清晰的缩形状可视化反映了分类性能.
结论:
- 自动化管道使不同类型和不同疾病阶段的缩形状能够进行视觉比较.
- 为总结病理发现提供了一个可概括的框架.
- 增强医生强大,可解释地评估大脑病理的能力.


