基于深度学习的预测大脑白质的超强度负担,使用心血管磁共振血管学

科学领域:

• 神经成像是一种神经成像.
• 血管神经学 血管神经学
• 人工智能在医学中的应用

背景情况:

• 白质超强度 (WMHs) 是大脑小血管疾病 (cSVD) 的关键指标.
• WMH与认知障碍和中风风险更高有关.
• 目前的评估通常依赖于复杂的神经成像技术.

研究的目的:

• 探索带时间飞行磁共振血管学 (TOF MRA) 对WMH负担的预测能力.
• 为了利用深度学习算法来分析动脉TOF MRA数据.
• 确定心血管TOF MRA作为WMH的独立预测因素.

主要方法:

• 开发了一个深度学习框架,以预测WMH存在和3D动脉TOF MRA的严重程度.
• 对于WMH分级,定义了二进制和三类分类任务.
• 评估了四个深度学习架构 (SFCN,ResNet10,MedicalNet,Medical Slice Transformer),并进行了解释性分析.

主要成果:

• 简单的全卷积网络 (SFCN) 实现了对二进制分类的最高准确率 (76.5%) 和AUC (0.874).
• 对于WMH严重程度分类,SFCN达到63.5%的准确率和AUC为0.827.
• Saliency 地图和闭塞分析表明,模型侧重于动脉血管区域,支持血管链接到WMH.

结论:

• Carotid TOF MRA,当使用深度学习分析时,可以有效地预测WMH负担.
• 这种非侵入性方法证明了额外冠状动脉成像在早期脑血管风险评估中的潜力.
• 这些发现表明,用于评估cSVD的神经成像标志物的新,可访问的方法.