基于 Transformer 图像合成与迁移学习的多模态 MRI 阿尔茨海默病诊断

阿尔茨海默病（AD）是一种进行性神经退行性疾病，其病理变化在临床症状出现前许多年就已开始，这使得早期检测对于及时干预至关重要。T1 加权（T1w）磁共振成像（MRI）在临床实践中常规用于识别宏观脑部改变，但这些变化通常在病程后期才出现。相比之下，扩散 MRI（dMRI）通过探测脑组织中的水扩散，对早期的微观结构异常很敏感。dMRI 指标，包括分数各向异性（FA）和平均扩散率（MD），提供了关于白质完整性和神经退行性变的补充信息。然而，dMRI 采集耗时且易受运动伪影影响，限制了其在临床人群中的常规使用。为了弥合这一差距，我提出了一种 3D TransUNet 图像合成框架，直接从 T1w MRI 预测 FA 和 MD 图。我的模型生成了高保真图，其结构相似性指数（SSIM）超过 0.93，且与真实 dMRI 具有很强的 Pearson 相关性（>0.94）。当整合到多模态诊断模型中时，这些合成特征将 AD 分类准确率提高了 5%（78.75%->83.75%），最重要的是，将轻度认知障碍（MCI）检测率提高了 12.5%。本研究表明，可以从常规采集的 T1w MRI 中推断出高质量的扩散微观结构信息，有效地将多模态成像的优势转移到无法获取扩散数据的环境中。通过在保留互补的结构和微观结构信息的同时减少扫描时间，所提出的方法有望提高临床实践中 AD 诊断的可及性、效率和准确性。