从T1加权MRI进行曲谱:经验地探索无扩散MRI流线传播的临床可行性

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 医学成像分析 医学成像分析

背景情况:

• 扩散磁力共振成像 (dMRI) 流线路谱是体内白质 (WM) 途径估计的标准.
• 需要高角度分辨率扩散成像 (HARDI),但很难在临床上获得.
• 这限制了研究队伍的通道图,排除了许多患者和病理.

研究的目的:

• 评估基于MRI的开源,容器化,T1加权 (T1w) 深度学习模型,以简化通道学.
• 评估其临床可行性作为基于dMRI的方法的替代方案.
• 将其性能与传统的dMRI和跨不同人群的基于图谱的方法进行比较.

主要方法:

• 开发并实施一个容器化,开源的深度学习模型,以简化使用T1wMRI的传播.
• 评估了模型在健康的年轻人,老龄化,,抑郁症和脑癌队伍中的表现.
• 结果与传统的dMRI通道图和基于图谱的方法进行比较.

主要成果:

• 深度学习模型在健康的年轻成年人中显示出与dMRI相比略有增加的误差,但低于基于图谱的方法.
• 该模型在临床队列中复制了一些dMRI通道图效应,特别是对于远程流线.
• 在所有临床应用中,性能不一致,这表明了局限性.

结论:

• 基于MRI的深度学习轨道图显示出作为临床可行的替代方案的前景,其表现优于基于Atlas的方法.
• 为了广泛的临床使用,需要进一步细化和考虑分布之外的影响.
• 研究dMRI和T1wMRI内容之间的差异对于理解通道图学至关重要.