相关实验视频
Updated: Sep 17, 2025
Hybrid PET/MRI Imaging of Alzheimer's Disease Based on 18F-AV-1451
Published on: April 18, 2025
基于深度学习的PET Amyloid 状态的预测使用MRI
Donghoon Kim1, Jon André Ottesen1, Ashwin Kumar1
1From the Department of Radiology (D.K., J.A.O., A.K., B.C.H., E.B.,), and the Department of Neurology and Neurological Sciences (C.B.Y., E.M.), Stanford University, Stanford, California, USA, and Computational Radiology and Artificial Intelligence (CRAI) Research Group (J.A.O), Oslo University Hospital, Oslo, Norway.
这项研究表明,使用多对比MRI扫描,包括T1加权和T2-FLAIR图像,可以显著改善深度学习模型,用于预测阿尔茨海默病中的粉样β状态. 这一进步为临床试验中的患者鉴定提供了更容易获得的方法.
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
- 阿尔茨海默氏症疾病的诊断方法
背景情况:
- 鉴定粉样β (Aβ) 阳性对于阿尔茨海默病 (AD) 临床试验和治疗至关重要.
- 目前的方法,如PET扫描或脑脊液采样是侵入性的或昂贵的.
- 以前的基于MRI的深度学习模型仅使用T1加权图像 (T1w) 显示出有限的性能.
研究的目的:
- 开发和评估一种深度学习模型,用于使用多对比MRI预测Aβ阳性.
- 为了比较一个仅使用T1w图像的模型的性能与使用T1w和T2-FLAIR图像的模型的性能.
主要方法:
- 来自三个公共数据集 (ADNI,OASIS3,A4) 的多对比MRI和PET数据的回顾性分析.
- 训练两个EfficientNet模型:一个仅使用T1w图像,另一个使用T1w和T2-FLAIR图像.
- 使用AUC,准确性,敏感性和特异性的性能评估,对内部和外部验证队列进行.
主要成果:
- 在内部测试中,多对比模型 (T1w + T2-FLAIR) 在内部测试中明显优于仅T1w的模型 (AUC:0.67对0.61,精度:0.63对0.59).
- 在患有轻度认知障碍 (MCI) 的患者中观察到最高性能 (AUC:0.71).
- 在外部验证组中表现一致 (AUC:0.65,精度:0.62).
结论:
- 在深度学习方法中,将T2-FLAIR图像与T1w图像相结合,可以显著提高MRI中PET确定的粉样状况的预测.
- 这种基于MRI的多对比深度学习方法为在阿尔茨海默病研究中识别粉样蛋白阳性提供了一个有希望的,非侵入性的替代方案.
更多相关视频
08:25Detecting Amyloid-β Accumulation via Immunofluorescent Staining in a Mouse Model of Alzheimer's Disease
Published on: April 19, 2021
08:40Positron Emission Tomography Imaging for In Vivo Measuring of Myelin Content in the Lysolecithin Rat Model of Multiple Sclerosis
Published on: February 28, 2021