使用MR指纹与深度学习的全脑焦点皮质失生症自动检测
Zheng Ding1,2, Spencer Morris1,2, Siyuan Hu2
1Epilepsy Center, Neurological Institute, Cleveland Clinic, OH.
Neurology
|May 16, 2025
概括
使用磁共振指纹 (MRF) 的新深度学习 (DL) 框架有效检测焦点皮质发育不良 (FCD),这是的常见原因. 这种MRF-DL方法显示了在各种亚型中识别微妙病变的高灵敏度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 的研究研究.
背景情况:
- 焦点皮层发育不良 (FCD) 是耐药焦点的主要原因.
- 在标准的临床MRI上检测FCD仍然是临床医生面临的重大挑战.
- 磁共振指纹 (MRF) 提供快速而精确的定量组织属性测量.
研究的目的:
- 开发和评估一个全脑深度学习 (DL) 框架,利用MRF进行FCD检测.
- 评估MRF衍生的定量成像特征的有效性,以识别FCD病变.
- 将MRF-DL模型的性能与传统的MRI和现有的分析管道进行比较.
主要方法:
- 一组病理确诊的FCD患者和健康的对照 (HCs) 接受了3D全脑MRF和临床MRI.
- 处理了MRF数据以生成T1,T2,灰质 (GM) 和白质 (WM) 组织分量图.
- 使用MRF衍生地图的各种组合训练U-Net深度学习模型,并通过交叉验证进行评估.
主要成果:
- 最优的MRF-DL模型包含T1w,T1z,T2z图,组织分数图和形态图,达到80%的患者级敏感度,每患者1.7个错误阳性.
- 该MRF-DL模型在FCD亚型和位置上表现出一致的灵敏度,仅使用临床MRI数据的模型表现优于FCD亚型和位置.
- 拟议的MRF-DL框架在敏感性,错误阳性率和病变重叠方面超过了已建立的MAP18管道.
结论:
- 开发的MRF-DL框架对于全脑FCD检测是有效的.
- 从单个MRF扫描中获得的多参数定量特征为基于DL的细微病变检测提供了宝贵的输入.
- 这种方法有望改善患者FCD的诊断和管理.
