对基于图像和统计技术的评估,以协调大脑体积测量
Yuan-Chiao Lu1,2,3,4, Lianrui Zuo5, Yi-Yu Chou1,3
1The Henry M Jackson Foundation for the Advancement of Military Medicine, Inc., Bethesda, MD, United States.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
这项研究比较了用于脑成像的三种MRI协调方法. HACA3是一种深度学习方法,在确保一致的大脑体积测量和在不同MRI扫描中检测缩方面表现最好.
科学领域:
- 神经成像是一种神经成像.
- 医疗图像分析 医学图像分析
- 计算神经科学是一种计算神经科学.
背景情况:
- 磁共振成像 (MRI) 脑图像分析受到扫描仪和采集变异性的挑战.
- 追溯协调技术越来越多地用于解决这些不一致性.
- 标准化的大脑体积测量对于准确的临床解释和研究至关重要.
研究的目的:
- 评估和比较三种回顾式MRI协调方法的有效性:neuroCombat,DeepHarmony和HACA3.3的有效性.
- 评估它们在实现不同T1加权MRI采集 (GRE和MPRAGE) 中一致的大脑体积测量的表现.
- 为了确定他们检测模拟大脑缩变化的能力.
主要方法:
- 对比神经战斗 (统计),DeepHarmony (监督深度学习) 和HACA3 (无监督深度学习) 进行MRI协调.
- 使用绝对体积差百分比 (AVDP) 和变化系数 (CV) 评估测量一致性.
- 使用GRE和MPRAGE图像的平均差异和类内相关性 (ICC) 评估一致性.
- 使用模拟变化测试缩检测能力.
主要成果:
- 与非协调数据相比,所有方法都改善了区域大脑体积的一致性.
- 在GRE和MPRAGE之间,HACA3显示了最小的测量变化 (AVDP <3%) 和最高的一致性 (平均差异0.12,ICC>0.9).
- 在检测模拟缩方面,HACA3显示出卓越的性能,而NeuroCombat的性能则取决于训练数据的可用性.
- 在几个地区,DeepHarmony提供了显著的改进,在缩检测方面超过了NeuroCombat.
结论:
- HACA3是协调MRI数据的最有效方法,提供卓越的一致性和一致性.
- DeepHarmony是一个可行的替代方案,与非协调数据相比,显示了显著的改进.
- 在没有训练数据的情况下,NeuroCombat提供了改进,但在检测微妙缩时具有更高的可变性和局限性.
