使用深度学习进行区域CSF体积量化,用于对前性痴呆症亚型中脑缩的比较分析

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 前性痴呆症 (FTD) 呈现出各种不同的临床症状,使得通过成像难以区分亚型.
• 准确诊断FTD亚型对于有效的患者管理和治疗策略至关重要.

研究的目的:

• 开发和验证一种深度学习模型,用于量化脑脊液 (CSF) 量,以测量大脑缩.
• 评估模型在FTD亚型 (bvFTD,nfvPPA,svPPA),阿尔茨海默病 (DAT) 和认知正常 (CU) 个体之间区分能力.

主要方法:

• 在1854名参与者 (CU,DAT,bvFTD,nfvPPA,svPPA) 的3D T1加权MRI扫描上训练了一个深度学习模型.
• 该模型量化了14个感兴趣地区 (ROI) 的CSF数量,并生成了年龄和性别调整的W分数,以表明区域缩.
• 标准的MRI扫描与最小的预处理被使用.

主要成果:

• 对于每种FTD亚型,都确定了不同的横向缩模式.
• 行为变异FTD (bvFTD) 显示双边前部和右侧占主导地位的部/部缩.
• 非流利的变体初级渐进性失言症 (nfvPPA) 显示左侧占主导地位的额头/双侧缩.
• 语义变体PPA (svPPA) 呈现出明显的左侧的时和海马缩.
• 与DAT和CU控制相比,所有FTD子类型在特征区域中显示出显著更大的CSF扩张.

结论:

• 深度学习模型提供了一个简单的,可解释的大脑缩的测量.
• 这种方法有效地区分使用标准MRI数据的FTD亚型.
• 该方法在诊断和管理FTD方面证明了临床实用性.