MRomicsNet:在临床常规T1加权图像上进行AD诊断的形态学-放射学驱动的自适应拓模型

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 生物医学工程 生物医学工程

背景情况:

• 阿尔茨海默病 (AD) 诊断通常依赖于使用形态学和放射学的T1加权图像 (T1WI).
• 在阿尔茨海默病诊断中,整合形态学和放射学来构建大脑网络是未被充分探索的.

研究的目的:

• 开发一种以形态学-放射学为驱动的自适应拓模型 (MRomicsNet),以增强AD表示.
• 在基于T1WI的大脑网络分析中利用形态学和放射学的互补优势.

主要方法:

• 对形态学和放射学进行实验验证,用于大脑拓和特征捕获.
• 使用基于形态学的图形卷积 (morphGCN) 和基于形态学-放射学的图形卷积 (mrGCN) 通道的深度学习框架开发MRomicsNet.
• 从形态学与放射学特征的稀疏大脑拓学的集成,用于AD诊断的mrGCN通道.

主要成果:

• 通过十倍交叉验证,MRomicsNet显示了ADNI (5.27%-13.79%) 和EDSD (3.70%-10.22%) 数据集的诊断准确度的显著改善.
• 验证证实了基于形态学和放射学的大脑网络在阿尔茨海默病代表中的互补作用.
• 可视化结果支持综合方法的有效性.

结论:

• MRomicsNet模型显示了整合形态学和放射学的巨大潜力.
• 这种整合有助于建立基于T1WI的结构性大脑网络,以改善AD诊断.
• 这项研究突出了促进阿尔茨海默病神经成像分析的有希望的方向.