基于深度学习的合成大脑MRI用于评估神经退行性疾病中区域缩模式

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 通过3D-T1w成像评估区域大脑缩对于评估神经退行性疾病至关重要.
• 高质量的体积成像并不总是可以获得的,这促使人工智能算法的开发,从各种临床输入中生成合成3D-T1w序列.

研究的目的:

• 调查基于深度学习的合成3D-T1w序列是否与真实3D-T1w图像相比保留区域缩模式.
• 为了评估从合成与真实大脑MRI序列中得出的体积测量的准确性.

主要方法:

• 追溯研究包括阿尔茨海默病 (AD),前性痴呆症 (FTD) 和健康对照组 (HC) 的患者.
• 合成的3D-T1w图像使用基于FreeSurfer的SynthSR从各种输入 (3D FLAIR,4mm轴向FLAIR,4mm冠状T2) 中生成.
• 使用SynthSeg+和AssemblyNet-AD-FTD管道进行大脑体积测量,将合成与真实3D-T1w参考标准进行比较.

主要成果:

• 在所有子组和输入 (p < 0.0116) 中,在合成和真实3D-T1w序列之间观察到全球和区域大脑体积的显著差异,除了海马体积.
• 合成图像系统地高估了体积,影响了FTD和HC组的自动疾病概率预测.
• 过高估计增加了质量较低的输入序列.

结论:

• 基于深度学习的合成3D-T1w序列引入了系统的体积误差,导致患者和对照者的大脑体积高估.
• 这些合成图像应谨慎地用于神经成像中的体积分析,在可用时偏好真实3D扫描.
• 这些发现凸显了人工智能成像在神经退行性研究中准确的定量评估的潜在局限性.