利用残差学习从白质弥散性预测年龄

与特定实际年龄范围预期不符的影像学表现可作为神经系统疾病和死亡风险增加的早期指标。根据结构MRI数据估算实际年龄及其与预期结果的偏差，已成为开发对此类偏差敏感的生物学标志物的重要任务。作为结构分析的补充，弥散张量成像（DTI）已证明可有效识别脑白质内与年龄相关的微结构变化，从而成为脑年龄预测的一种有前景的附加模态。尽管早期研究试图利用DTI的优势进行年龄估计，但尚无证据表明该预测的成功归因于DTI所提供的独特微结构与弥散特征，而非DTI数据中也存在的宏观结构特征。因此，我们致力于开发白质特异性年龄估计以捕捉正常白质衰老的偏差。具体而言，我们在从DTI标量图像预测年龄时故意忽略宏观结构信息，使用了两种不同的方法。第一种方法依赖于从感兴趣区域仅提取微结构特征。第二种方法应用3D残差神经网络（ResNets）直接从图像中学习特征，这些图像经过非线性配准并变形至模板以最小化宏观结构变异。在未见数据上测试时，第一种方法对认知正常受试者得出平均绝对误差（MAE）为6.11年，对认知受损受试者得出MAE为6.62年，而第二种方法对认知正常受试者达到MAE为4.69年，对认知受损受试者达到MAE为4.96年。我们发现ResNet模型捕捉到更细微的非宏观结构特征用于脑年龄预测。