T2AgeNet:一个以文本为导向的框架,具有用于大脑年龄估计的组织特征

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 从结构性MRI来估计大脑年龄,有助于检测神经发育和神经退行性疾病.
• 现有的方法往往缺乏组织水平的特异性,并且无法整合医疗事先的知识.
• 来自MRI的全球生物标志物无法捕捉局部病理变化.

研究的目的:

• 开发一个组织水平的大脑年龄估计框架,整合解剖学和临床信息.
• 通过结合组织特异性来解决全球生物标志物的局限性.
• 通过双路图像-文本方法,利用医疗事先的知识.

主要方法:

• 提出T2AgeNet,一个双路图像-文本框架,用于局部化大脑年龄预测.
• 利用大脑MRI细分来生成特定组织的面具,用于局部分析.
• 综合临床语义,通过将视觉特征与个性化描述对齐,并使用大型语言模型将老化特征转化为文本.

主要成果:

• 在各种人群中实现了精确的大脑年龄估计,包括胎儿发育,早产婴儿,阿尔茨海默病和自闭症谱系障碍.
• 证明了T2AgeNet在OASIS-3和ABIDE-I数据集上识别组织特异性结构异常的能力.
• 标识异常与已知的神经模式的一致性.

结论:

• T2AgeNet提供了一种用于组织水平大脑年龄估计的新方法,改进了全球生物标志物方法.
• 该框架有效地整合了解剖学和语义信息,以进行增强的神经成像分析.
• 通过精确的局部大脑年龄评估,T2AgeNet对神经系统疾病的早期检测和特征表示希望.