一种强大的自动细分方法,用于血管起源的白质超强度
Haoying He1, Jiu Jiang2, Sisi Peng3
1Department of Neurology, Zhongnan Hospital of Wuhan University, 169# East Lake Road, Wuchang District, Wuhan 430071, China.
NeuroImage
|May 19, 2025
概括
一种新的基于变压器的深度学习方法准确地从MRI扫描中细分白质超强度 (WMH). 这种强大的方法在各种数据集和成像条件中显示出强大的通用性,优于小型船舶疾病评估的现有方法.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 白质过强度 (WMH) 是小血管疾病 (SVD) 的关键指标,通常导致认知障碍.
- 准确的WMH量化对于诊断和监测SVD相关疾病至关重要.
- 当前的自动化细分方法在各种数据集和成像参数的概括性方面存在困难.
研究的目的:
- 开发和验证一种强大的深度学习细分方法,用于血管起源的WMH.
- 评估拟议方法在不同MRI系统和获取设置中的通用性.
- 将新方法的性能与现有的WMH细分技术进行比较.
主要方法:
- 基于变压器的深度学习模型被开发用于自动WMH细分.
- 该模型使用了3D T1和3D T2-FLAIRMRI图像.
- 培训和测试是在126名参与者的初始数据集上进行的;外部验证涉及两个独立的数据集 (170名和70名受试者) 用不同的MRI扫描仪和场强度 (1.5T,3T,5T).
主要成果:
- 拟议的方法在所有数据集中实现了高性能,平均子系数为0.78 (初级),0.72 (外部1) 和0.72 (外部2).
- 相对体积误差分别为0.15,0.50和0.47,表明了良好的准确性.
- 真正阳性率高 (0.81-0.92),可控的假阳性率高 (0.20-0.40),表现优于LGA,LPA,BIANCA,UBO检测器和TrUE-Net等比较方法.
结论:
- 开发的基于变压器的方法为细分血管起源的WMH提供了可靠和强大的解决方案.
- 该模型表现出极好的通用性,在来自各种扫描仪和协议的未见MRI数据上表现良好.
- 这种方法适用于大规模的队列研究,需要在临床实践中准确量化WMH.
