GAMER-MRIL 识别多发性硬化中与残疾相关的大脑变化
图像与视频处理
2023-08-16 v1 计算机视觉与模式识别
神经元与认知
摘要
目的：识别与残疾相关的大脑变化对多发性硬化（MS）患者十分重要。目前，对于单个 MS 患者中哪些病理特征驱动残疾尚缺乏清晰认识。本工作中，我们提出一种新颖的综合方法 GAMER-MRIL，利用全脑定量 MRI（qMRI）、卷积神经网络（CNN）以及一种可解释性方法，从分类重度残疾 MS 患者到探究相关病理性脑变化。方法：一百六十六名 MS 患者接受了 3T MRI 采集。重建了反映微结构脑特性的 qMRI，包括定量 T1（qT1）、髓鞘水分数（MWF）和神经元密度指数（NDI）。为充分利用 qMRI，GAMER-MRIL 将一种基于门控注意力的 CNN（GAMER-MRI，其开发用于选择与给定任务/问题重要的基于块的 qMRI）扩展至全脑图像。为找出与残疾相关的脑区，GAMER-MRIL 修改了一种结构感知可解释性方法——逐层相关性传播（LRP），以纳入 qMRI。结果：测试性能为 AUC=0.885。qT1 是与残疾最相关的敏感指标，其次为 NDI。所提 LRP 方法比其他可解释性方法（包括显著图、积分梯度和原始 LRP）获得了更特异的相关区域。相关区域包括皮质脊髓束，其中平均 qT1 和 NDI 与患者的残疾评分显著相关（=-0.37 和 0.44）。结论：这些结果表明 GAMER-MRIL 可使用 qMRI 对重度残疾患者进行分类，并随后识别出可能对运动功能完整性重要的脑区。意义：GAMER-MRIL 有望用于开发生物标志物并增加临床医生对神经网络（NN）的信任。
引用
@article{arxiv.2308.07611,
title = {GAMER-MRIL identifies Disability-Related Brain Changes in Multiple Sclerosis},
author = {Po-Jui Lu and Benjamin Odry and Muhamed Barakovic and Matthias Weigel and Robin Sandkühler and Reza Rahmanzadeh and Xinjie Chen and Mario Ocampo-Pineda and Jens Kuhle and Ludwig Kappos and Philippe Cattin and Cristina Granziera},
journal= {arXiv preprint arXiv:2308.07611},
year = {2023}
}