微结构知情深度学习改善了多发性硬化和相关的神经免疫疾病中的乳头缩细分和临床关联

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• thalamic缩是多发性硬化症 (MS) 中神经退行的一个关键指标.
• 精确的乳头细分对于监测疾病进展至关重要,但仍然取决于方法.
• 量化MRI (qMRI) 和深度学习 (DL) 显示出改善细分精度的前景.

研究的目的:

• 为了对 thalamus 分段算法进行基准测试,包括 atlas-constrained 和 DL 方法.
• 评估定量R1地图对细分性能的影响.
• 在MS中评估横截面和纵向细分方法的临床有效性.

主要方法:

• 通过使用T1加权MRI对质细分进行FreeSurfer,FIRST,DBSegment和MindGlide (DL) 的比较.
• 使用MindGlide使用T1w,FLAIR和R1地图生成面具.
• 在一组多发性硬化患者和健康对照中,与手动基准真相标签对比的验证细分精度.

主要成果:

• MindGlide展示了最准确的体积估计和平衡的灵敏度/精度.
• DBS 部分实现了最高的 voxel-wise 协议; atlas-constrained 方法高估了体积.
• R1地图在地面真相协议中提供了适度的收益,但加强了与临床结果的纵向关联.

结论:

• 深度学习模型,特别是MindGlide,为MS提供了强大的thalamus细分.
• 定量R1地图增强了thalamic体积变化和临床进展的纵向监测.
• 未来的研究应该集中在高分辨率的qMRI和多对比的DL上,以改善神经炎症疾病的监测.