在使用规范建模和生成对抗网络 (GANs) 的结构和功能MRI衍生措施中分析疾病异质性
Sai Spandana Chintapalli1, Sindhuja T Govindarajan1, Haochang Shou1
1Centre for Biomedical Image Computing and Analytics, University of Pennsylvania, Philadelphia, USA, 19104.
概括
这项研究引入了一种基于GAN的新方法,用于检测神经系统疾病中的大脑异常. 该技术使用模拟数据来识别个别偏差,帮助对阿尔茨海默病和创伤性脑损伤等疾病进行个性化诊断.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 计算神经科学是一种神经科学.
背景情况:
- 神经系统疾病表现出显著的异质性,使诊断和治疗复杂化.
- 现有的规范建模技术往往需要大量的疾病特定数据集,这限制了它们的适用性.
- 大脑结构和功能的个体水平偏差是神经疾病的关键指标.
研究的目的:
- 开发和验证基于生成对抗网络 (GAN) 的规范建模技术,以捕捉个人大脑测量偏差.
- 解决罕见或异质神经系统疾病数据短缺的挑战.
- 证明该方法在特定疾病中识别神经解剖学和功能异常的实用性.
主要方法:
- 利用GAN框架对伪合成模拟患者数据进行自我监督培训.
- 将规范建模技术应用于结构磁共振成像 (MRI) 和静止状态功能性MRI (fMRI) 数据.
- 评估了模型在没有大型注释数据集的情况下检测疾病相关影响的能力.
主要成果:
- 基于GAN的模型成功地确定了大脑测量的个体水平偏差.
- 在阿尔茨海默病 (AD) 和创伤性脑损伤 (TBI) 的结构性MRI数据中检测到神经解剖学偏差.
- 在休息状态的fMRI数据中发现了AD和TBI的功能连接异常.
结论:
- 提出的基于GAN的规范建模是检测与疾病相关的大脑异常的一种多功能和有效的工具.
- 这种方法有助于研究神经系统疾病中的个体偏差,即使具有有限的疾病特异性数据.
- 该方法对个性化诊断和推进大脑疾病研究充满希望.
