自动合成对比增强的MRI改善了帕金森综合征中状的细分

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
• 生物标志物发现发现

背景情况:

• 胸膜 (ChP) 是一种潜在的神经退行性疾病生物标志物,但其细分在标准MRI中具有挑战性.
• 基于加多的对比增强型MRI (CE-MRI) 是有效的,但受到加多沉积风险和患者不适的限制.

研究的目的:

• 从T1加权图像开发基于深度学习的合成对比增强MRI (SynCE-MRI),以改进ChP可视化.
• 评估SynCE-MRI在检测帕金森综合征的形态变化的能力.

主要方法:

• 一项回顾性研究利用了来自两个队列 (n=265和n=58) 的T1W和CE-MRI数据,包括患有帕金森病 (PD) 和非典型帕金森症 (APD) 的患者.
• 嵌套-UNet模型被用于SynCE-MRI合成,3D-UNet模型被训练用于使用CE-MRI进行CHP细分,随后在SynCE-MRI上进行测试.
• 进行统计分析 (克鲁斯卡尔-瓦利斯,曼-惠特尼U测试) 来评估图像合成,细分精度和ChP形态测量.

主要成果:

• 通过SynCE-MRI产生了高保真度图像 (PSNR 35.37±1.32,SSIM 0.970±0.0054).这些图像可以通过SynCE-MRI获得.
• 基于SynCE-MRI的细分 (Dice分数0.803±0.029) 显著超过了手动 (0.59±0.057) 和基于T1W的自动化方法 (0.489±0.049).
• 基于SynCE-MRI的CHP体积与CE-MRI (MAVD 6.7%,ICC 0.88) 非常接近. 与PD相比,在APD中观察到显著更大的CHP体积,在两个队列中 (P < .05).

结论:

• SynCE-MRI准确地复制了CE-MRI用于ChP成像和形态测量.
• SynCE-MRI细分超越标准T1W成像,并检测到APD与PD中的显著ChP扩大.
• 这种深度学习方法为神经退行性疾病中CHP分析提供了可行的,无对比的替代方案.