基于机器学习的二维MRI的重建,用于的定量形态测量.
Corey Ratcliffe1,2, Peter N Taylor1, Christophe de Bézenac3
1CNNP Lab, Interdisciplinary Computing and Complex BioSystems Group, School of Computing, Newcastle University, Newcastle upon Tyne, United Kingdom.
Imaging neuroscience (Cambridge, Mass.)
|November 13, 2025
概括
使用2D-T1扫描对异常性泛性 (IGE) 的定量MRI分析需要谨慎. 像重新采样和机器学习合成这样的预处理方法无法完全克服局限性,这可能导致在皮层下结构分析中出现错误阳性.
科学领域:
- 神经成像是一种神经成像.
- 的研究研究.
- 机器学习在医学成像中的应用
背景情况:
- 结构神经成像需要高质量的MRI扫描,通常在使用低分辨率2D-T1扫描的临床环境中无法使用.
- 机器学习 (ML) 显示了提高2D-T1扫描实用性的潜力,但其定量研究有效性尚不清楚.
- 异常性泛性 (IGE) 呈现出皮下结构异常,使其成为评估图像预处理方法的合适模型.
研究的目的:
- 在IGE中使用3D-T1 (黄金标准) 和各种2D-T1预处理方法评估皮层下结构生物标志物.
- 为了比较古典重新采样和基于ML的合成在IGE中的定量形态分析的有效性.
- 为了评估新的ML FreeSurfer管道的性能 (recon-all-clinical) 与经典方法相比.
主要方法:
- 从33名药物敏感IGE,42名药物耐药IGE和39名健康对照中获得3D-T1和2D-T1MRI扫描.
- 预处理的2D-T1扫描,使用经典的重新采样 (res-T1) 和ML合成 (SynthSR,syn-T1).
- 使用FreeSurfer (recon-all, recon-all-clinical) 和FSL (run_first_all) 进行图像分片和皮层下形状分析,与DL+DiReCT.比较.
主要成果:
- 皮层体积和厚度估计在处理的2D-T1扫描中通常较低,而3D-T1.
- 皮层下体积估计显示,跨方法的一致性比厚度估计更好.
- 虽然2D-T1检测到一些异常,但重新采样和ML合成扫描 (res-T1,syn-T1) 增加了IGE患者皮层下异常的错误阳性率.
结论:
- 目前的重新采样和ML合成方法无法完全解决对定量分析的异构2D-T1MRI扫描中的部分体积效应.
- 使用2D-T1扫描的定量分析,特别是使用先进的预处理,由于潜在的不准确性,应谨慎解释.
- 为了在研究中可靠的临床转化,需要对基于ML的管道进行进一步的评估,如rec-all-clinical.


