使用NeuroCombat和LongCombat对健康受试者的扩散MRI协调:一个B-Q MINDED脑内和间扫描仪研究
Maíra Siqueira Pinto1,2, Vincenzo Anania2,3, Roberto Paolella2,3
1Department of Radiology, University Hospital Antwerp (UZA), Antwerp, Belgium.
Frontiers in neuroscience
|June 18, 2025
概括
像NeuroCombat和LongCombat这样的ComBat协调算法有效地减少了扩散MRI指标中的扫描仪变异性. 这提高了多地点大脑白质研究的一致性.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 扩散MRI (dMRI) 对于评估大脑白质的完整性至关重要.
- 多个地点,多个扫描仪的研究面临挑战,因为扫描仪的变化.
- 不一致的扩散度量评估阻碍了可靠的分析.
研究的目的:
- 为了评估dMRI数据的基于ComBat的协调算法 (NeuroCombat, LongCombat).
- 评估扩散指标中扫描器内和扫描器间变量的减少.
- 确定这些算法适用于多扫描仪扩散分析的适用性.
主要方法:
- 利用B-Q MINDED数据集与38名健康成年人的dMRI数据.
- 在同一天,对参与者进行两次扫描,使用两种不同的3T核磁共振扫描仪 (西门子PrismaFit,Skyra).
- 应用NeuroCombat和LongCombat算法,用于协调扩散指标 (FA,MD,AD,RD,MK,AK,RK).这些算法包括:
主要成果:
- NeuroCombat和LongCombat显著降低了扫描器内和扫描器间的变化.
- 协调扩散指标实现了可变性水平,与扫描器内扫描-重新扫描可变性相当.
- 基于ROI的算法和基于voxel的算法都是有效的.
结论:
- 基于ComBat的协调算法有效地减少dMRI指标中的扫描仪诱导的变化.
- 建议NeuroCombat和LongCombat用于协调多扫描仪临床研究中的dMRI数据.
- 协调提高了扩散生物标志物的可靠性,用于大规模研究和临床决策.
