基于深度学习的图像重建有助于评估抑郁症的严重程度

科学领域:

• 神经成像
• 医疗人工智能
• 精神病学

背景情况:

• 扩散张力成像 (DTI) 对于评估白质完整性至关重要.
• 抑郁症与白质异常有关.
• 目前的DTI方法可能在检测微妙的变化方面存在局限性.

研究的目的:

• 评估基于深度学习的图像重建 (DLR) 是否提高了对抑郁症严重性评估的DTI准确性.
• 使用常规和DLR技术,比较轻度至中度和严重抑郁症之间的DTI测量.

主要方法:

• 52名抑郁症患者接受了DTI扫描,生成了原始DTI (ORI DTI) 和DLR DTI数据集.
• 基于管道的空间统计 (TBSS) 分析了分数异构 (FA) 的差异.
• 多变量逻辑回归和ROC曲线分析评估了诊断性能.

主要成果:

• 在ORI DTI中,严重抑郁症患者在右皮质脊柱管 (CST) 中呈现较低的FA.
• DLR DTI 发现右侧中枢神经系统,右侧前侧乳头辐射和左侧上侧纵向的额外FA减小.
• 在评估抑郁症严重程度方面,DLR DTI 模型显著优于ORI DTI (AUC: 0. 951 与 0. 764,p < 0. 001).

结论:

• 在严重抑郁症中检测白质异常时,DLR DTI具有卓越的灵敏度.
• 在评估抑郁症严重程度方面,DLR DTI显著提高了诊断性能.