基于深度学习的自动细分用于通过多序MRI对大脑小血管疾病的定量诊断
Huiyu Zhao1, Miaoyi Zhang2, Weijun Tang3
1The State Key Laboratory of Advanced Optical Communication Systems and Networks, Intelligent Microwave Lightwave Integration Innovation Center (imLic), Department of Electronic Engineering, Shanghai Jiao Tong University, Shanghai, China.
Frontiers in neurology
|June 11, 2025
概括
这项研究开发了一种自动化的深度学习 (DL) 方法,用于在MRI扫描上准确量化脑小血管疾病 (CSVD) 标志物. DL模型为评估研究中的全球CSVD负担提供了可靠的工具.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 目前用于脑小血管疾病 (CSVD) 的视觉评分系统缺乏对全球病变负载的定量准确性.
- 精确量化CSVD神经成像标记物对于研究和临床评估至关重要.
研究的目的:
- 开发和验证基于自动深度学习 (DL) 的细分方法,用于量化典型的CSVD神经成像标记.
- 使用多序磁共振成像 (MRI) 评估CSVD的全球病变负载.
主要方法:
- 使用内部和外部MRI数据集开发了一个DL细分模型.
- 该模型量化了白质超强度 (WMH),大脑微血流 (CMB),缺口和扩大周血管空间 (EPVS) 的体积.
- 用Dice分数和Pearson相关系数评估细分性能; 用ANOVA评估标记体积的差异.
主要成果:
- 在内部数据集上,DL模型为WMH (0.85),CMB (0.74),缺口 (0.76) 和EPVS (0.75) 获得了高的Dice分数.
- 在所有标记物中,在DL和手动量化之间观察到出色的正相关性 (Pearson r > 0.94).
- 从DL模型中获得的定量Z分数与已建立的总负担分数相关性很好,在视觉分数组中显示出显著差异 (p < 0.001).
结论:
- 已成功开发了一种自动化的DL模型,用于在多序MRI上对四个关键的CSVD神经成像标记进行细分.
- 这种方法为评估CSVD提供了一个强大的和定量方法,支持进一步的研究和临床应用.
