基于深度学习的全自动化管道,用于从原始3DMRI中测量埃文斯指数

科学领域:

• 神经成像是一种神经成像.
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 腹腔大是脑脊液 (CSF) 疾病的关键指标,如正常压力头症 (NPH).
• 埃文斯指数 (EI) 是心室膨胀的标准度量,但手动计算受到观察者变化和对齐问题的影响.
• 可重现性挑战限制了手动EI测量的实用性在大型和多中心研究.

研究的目的:

• 开发和验证一个完全自动化的深度学习管道,用于从T1加权MRI扫描中准确和可重复的埃文斯指数计算.
• 克服手动EI测量的局限性,包括观察者可变性和AC-PC平面依赖性.
• 提供可扩展和可靠的工具,用于在临床实践和研究中评估心室巨化病.

主要方法:

• 开发了一个深度学习管道,集成里程碑检测 (BrainSignsNet),AC-PC对齐以及侧腔室 (LV) 和内体积 (ICV) 分段 (nnU-Net).
• 一个定制的nnU-Net模型被训练在1300个注释扫描上,专门为水头病例进行了丰富.
• 埃文斯指数是从标准化的轴切片上对前角宽度和头骨内部直径的自动测量得出的.

主要成果:

• 内部验证表明,在多个队列中,分段精度高 (代数系数=0.98).
• 对PENS试验的外部验证与专家手动EI测量结果有很好的一致性 (平均偏差=0.0068,r=0.96).
• 测量误差与患者人口统计学或心室体积之间没有发现显著的关联.

结论:

• 自动化管道在各种MRI数据集中提供准确,可复制和定向标准化的埃文斯指数测量.
• 消除手动干预可以提高大脑成像队伍和临床应用的可扩展性.
• 这种方法提供了一个可靠的工具,用于查,评估和监测腹腔大脑病,特别是正常压力脑病 (NPH).