基于扩散 MRI 的脑龄识别可协同预测神经退行性疾病
计算机视觉与模式识别
2025-09-18 v3
摘要
通过磁共振图像（MRI）估算的脑龄及其与实际年龄的偏差，可为潜在的神经退行性疾病提供早期洞察，支持早期检测和预防策略的实施。扩散 MRI（dMRI）为构建神经退行性疾病预测的更早期生物标志物提供了机会，因为它能捕捉到先于更明显宏观结构变化的细微微观结构变化。然而，dMRI 中宏观和微观结构信息的共存引发了一个问题：当前基于 dMRI 的脑龄估算模型是在利用预期的微观结构信息，还是无意中依赖了宏观结构信息。为了开发一种微观结构特异性的脑龄，我们提出了一种从 dMRI 识别脑龄的方法，通过将所有图像非刚性配准到标准模板来减少模型对宏观结构信息的使用。来自 12 个数据集共 13,398 名参与者的影像数据被用于训练和评估。我们将我们提出的、在减少和未减少宏观结构信息条件下训练的脑龄模型，与一个结构相似的基于 T1 加权（T1w）MRI 的脑龄模型，以及两个近期流行且公开可用的、主要使用宏观结构信息的基于 T1w MRI 的脑龄模型进行了比较。我们观察到，在神经退行性疾病的不同阶段，基于 dMRI 的脑龄与基于 T1w MRI 的脑龄之间存在差异：在从认知正常（CN）向轻度认知障碍（MCI）转变的参与者中，基于 dMRI 的脑龄大于基于 T1w MRI 的脑龄；但在已确诊为阿尔茨海默病（AD）的参与者中，基于 dMRI 的脑龄则更年轻。此外，在预测从 CN 到 MCI 的转变方面，基于 dMRI 的脑龄在诊断前长达五年的时间内可能优于基于 T1w MRI 的脑龄。
引用
@article{arxiv.2410.22454,
title = {Brain age identification from diffusion MRI synergistically predicts neurodegenerative disease},
author = {Chenyu Gao and Michael E. Kim and Karthik Ramadass and Praitayini Kanakaraj and Aravind R. Krishnan and Adam M. Saunders and Nancy R. Newlin and Ho Hin Lee and Qi Yang and Warren D. Taylor and Brian D. Boyd and Lori L. Beason-Held and Susan M. Resnick and Lisa L. Barnes and David A. Bennett and Marilyn S. Albert and Katherine D. Van Schaik and Derek B. Archer and Timothy J. Hohman and Angela L. Jefferson and Ivana Išgum and Daniel Moyer and Yuankai Huo and Kurt G. Schilling and Lianrui Zuo and Shunxing Bao and Nazirah Mohd Khairi and Zhiyuan Li and Christos Davatzikos and Bennett A. Landman},
journal= {arXiv preprint arXiv:2410.22454},
year = {2025}
}
备注
Accepted to Imaging Neuroscience