关于阿尔茨海默病中杏仁体和海马体MRI图像的智能分段和分类模型的初步研究
Siyu Liu1, Kun Zhou2, Daoying Geng3
1Radiology Department, Huashan Hospital, Affiliated with Fudan University, Shanghai 200040, China (S.L., D.G.).
Academic radiology
|September 3, 2025
概括
一个深度学习模型准确地对杏仁体和海马体进行细分和分类,用于早期发现阿尔茨海默病 (AD). 这种人工智能方法有助于使用神经影像数据评估和诊断AD.
科学领域:
- 神经成像和人工智能
- 医疗诊断
- 大脑解剖学
背景情况:
- 阿尔茨海默病 (AD) 对于早期发现和干预具有重大挑战.
- 精确的细分和分类大脑结构如桃体和海马体对于阿尔茨海默病的诊断至关重要.
- 现有的方法可能缺乏早期AD识别所需的精度.
研究的目的:
- 开发和验证深度学习模型来细分和分类桃体-海马综合体.
- 通过神经影像增强早期发现和诊断阿尔茨海默病.
- 在大型多中心数据集上评估模型的性能.
主要方法:
- 开发了一个深度学习框架,包括U2-Net进行细分和DenseNet-121进行分类.
- 使用半自动注释管道,将手动和基于模型的精细化结合起来.
- 来自15个中心的2000名受试者 (1000名健康对照,1000名阿尔茨海默病患者) 的大型数据集被用于培训和内部验证,另外3个中心的外部验证.
主要成果:
- 半自动细分实现了高准确度,子相似系数 (DSC) 超过0.88,在训练组达到0.914,在测试组达到0.896.
- 在内部验证中,该分类模型表现强,曲线下的面积 (AUC) 为0. 905.
- 外部验证证实该模型的稳定性,达到0. 835的AUC.
结论:
- 基于深度学习的半自动化方法显著提高了杏仁体和海马体的识别精度.
- 这种人工智能模型有望提高阿尔茨海默病的评估和诊断.
- 开发的模型有可能在AI驱动的AD医疗解决方案中得到临床应用.
