CTV-MIND:一个皮层厚度和体积集成的个性化形态网络模型,用于探索叶的疾病进展

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 网络科学 网络科学

背景情况:

• (TLE) 是一种进展性神经疾病,其特征是大脑网络功能障碍.
• 了解TLE进展和识别生物标志物对于管理疾病负担和优化治疗至关重要.
• 结构磁共振成像 (MRI) 提供了对大脑网络变化的洞察力.

研究的目的:

• 通过创建个性化的形态大脑网络来研究TLE的渐进性变化.
• 识别与疾病进展相关的网络特征及其与大脑缩的相关性.
• 用机器学习模型评估TLE持续时间对大脑衰老的影响.

主要方法:

• 使用T1加权的MRI数据构建个性化的形态大脑网络,使用形态计量反向分歧 (MIND) 框架.
• 集成的皮质厚度和体积特征 (CTV-MIND) 用于网络建设.
• 在没有发作的TLE患者 (长期和短期组) 和健康对照组 (HC) 之间比较了网络特性.

主要成果:

• 在TLE患者的CTV-MIND网络中观察到渐进的枢纽节点重组.
• 与短期和HC组相比,长期TLE组在损伤侧叶的连接性增加.
• 改变的网络特性与局部皮质缩相关,TLE显示大脑年龄显著增加,持续时间是关键因素.

结论:

• 延长的TLE持续时间对病理性大脑衰老和网络重组做出了重大贡献.
• 识别的网络特征可以帮助预测TLE中早期的大脑衰老.
• 这些发现支持优化TLE个性化治疗策略的潜力.