基于区域的机器学习模型用于阿尔茨海默氏病中胆脉细分的胆脉

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 阿尔茨海默氏症疾病研究研究

背景情况:

• 冠状动脉 (CP) 对于脑脊液的产生至关重要,并与阿尔茨海默病 (AD) 有关.
• 由于其复杂的形状和可变的信号强度,在MRI中精确细分CP具有挑战性.
• 像FreeSurfer (FS) 和以前的高斯混合模型 (GMMs) 这样的现有方法在CP细分精度上有局限性.

研究的目的:

• 开发和评估一个新的区域知情的GMM (One-GMM) 用于自动化状交叉体细分.
• 为了比较One-GMM方法与手动细分,FreeSurfer (FS) 和两组件GMM (Two-GMM) 的性能.

主要方法:

• 分析了38名参与者的T1w和FLAIRMRI扫描 (认知正常,MCI,AD).
• 使用FreeSurfer的解剖学先验应用了一个区域信息的GMM (One-GMM).
• 与手动细分相比,使用子相似系数 (DSC),豪斯多夫距离 (HD95) 和体积差 (VD%) 来量化细分的准确性.

主要成果:

• 一个GMM比FS (DSC 0.24) 和两个GMM (DSC 0.66) 获得了明显更高的精度 (DSC 0.82).
• 与FS (26.21毫米) 和Two-GMM (10.58毫米) 相比,一个GMM证明了较低的豪斯多夫距离 (HD95:6.06毫米).
• 在所有诊断组中,细分精度一致,在组之间没有观察到CP体积的显著差异.

结论:

• 基于区域的One-GMM提供了比现有的方法在胆脉细分精度上的实质性改善.
• 该方法为AD研究和其他研究中的CP量化提供了实用且易于使用的工具.
• 在认知正常的个体中观察到CP体积的衰老效应.