对于阿尔茨海默病进展的潜在扩散的技术评估

科学领域:

• 医疗成像中的人工智能
• 神经成像的生成模型
• 计算神经科学是一种神经科学.

背景情况:

• 隐性扩散模型 (LDM) 在医学成像中为疾病进展预测和数据增强等任务提供了潜力.
• 评估各种数据集中随机生成模型的稳定性和验证输出仍然是一个挑战.
• BrLP模型是T1加权 (T1w) 图像的最先进的LDM,结合了辅助大脑体积数据,并在阿尔茨海默病 (AD) 进展研究中取得了先前的成功.

研究的目的:

• 在巴尔的摩长度老龄化研究 (BLSA) 数据集上试行BrLP模型,一个外部队列.
• 在T1w脑图像上使用基于图像的指标 (MSE,SSIM,MAE) 评估BrLP性能.
• 确定是否需要协调,以提高BRLP的性能,超出其固有的预处理步骤.

主要方法:

• 利用BrLP隐性扩散模型进行T1加权 (T1w) 脑图像生成.
• 在巴尔的摩长度老化研究 (BLSA) 数据集上评估模型性能,使用结构相似度指数 (SSIM),平均平方误差 (MSE) 和平均绝对误差 (MAE).
• 具有和没有协调步骤的模型输出的比较,以及模拟的疾病进展场景.

主要成果:

• BrLP模型证明了对T1w成像扫描仪效果的稳定性,表明不需要协调.
• 该模型在BLSA队列中的不同年龄组中实现了高SSIM得分 (0.91±0.03对于认知正常,0.90±0.012对于AD队列).
• 与非AD扫描相比,模拟AD进展产生了较高的SSIM (0.91±0.0012) 与基准真实性非AD扫描相比,这表明在进展建模中存在潜在的偏差或不匹配.

结论:

• BrLP模型对扫描变异具有稳定性,并且在没有额外协调的情况下在外部数据集上表现良好.
• 该模型在BLSA队列中的不同年龄组和认知状态的表现对纵向研究有希望.
• 需要进一步调查,以解决在模拟AD进展时观察到的SSIM差异,尽管有功能条件体积区域.