WMH-DualTasker:一个弱监督的深度学习模型,用于自动化白质超强度细分和视觉评分预测

科学领域:

• 神经成像和计算神经科学
• 医学中的人工智能
• 血管认知障碍研究研究

背景情况:

• 白质超强度 (WMH) 是认知衰退风险的关键神经成像指标.
• 目前的WMH评估方法 (视觉尺度,体积细分) 在描述能力和可扩展性方面存在局限性.
• 监督细分需要大量的手动注释,阻碍了大规模研究.

研究的目的:

• 开发一个自动化,最小监督的深度学习模型,以准确和整体地量化WMH严重程度.
• 评估该模型在识别轻度认知障碍 (MCI) 和预测痴呆转化方面的临床实用性.

主要方法:

• 开发了WMH-DualTasker,这是一个深度学习模型,可以同时执行voxel-wise细分和视觉评分得分预测.
• 采用自主监督学习与转换不变的一致性,使用临床WMH视觉评级作为唯一的监督信号.
• 对MICCAI-WMH和SINGER数据集进行体积定量以及对临床评级协议的外部数据集进行评估的模型性能.

主要成果:

• WMH-DualTasker实现了与现有监督方法相比或优于现有监督方法的体积量化性能 (MICCAI-WMH: Dice=0.602,SINGER: Dice=0.608).
• 该模型与临床视觉评分尺度有很强的一致性 (SINGER:MAE=1.880,K=0.77).
• 在ADNI数据集上,WMH严重性指标改善了MCI分类 (AUC=0.718) 和MCI转换 (AUC=0.652) 的预测.

结论:

• WMH-DualTasker显著减少了对手册注释的依赖,从而实现了高效和可扩展的WMH严重程度量化.
• 该模型增强了与WMH相关的血管认知障碍的评估和管理.
• 这种方法有可能在认知健康方面推进预防和精准医学.