区域深度萎缩：一种从纵向 MRI 中自动识别与阿尔茨海默病进展相关区域的自监督学习方法
神经元与认知
2023-04-11 v1 人工智能
摘要
脑萎缩的纵向评估，尤其是海马体的萎缩，是阿尔茨海默病（AD）等神经退行性疾病中经过充分研究的生物标志物。在临床试验中，脑进展速率的估计可用于追踪疾病修饰治疗的治疗效果。然而，大多数最先进的测量方法通过 MRI 图像的分割和/或可变形配准直接计算变化，可能将头部运动或 MRI 伪影误报为神经退行性变，从而影响其准确性。在我们之前的研究中，我们开发了深度学习方法 DeepAtrophy，其使用卷积神经网络量化纵向 MRI 扫描对之间与时间相关的差异。DeepAtrophy 在从纵向 MRI 扫描推断时间信息（如时间顺序或相对扫描间隔）方面具有高精度。DeepAtrophy 还提供总体萎缩评分，已被证明可作为疾病进展和治疗效果的潜在生物标志物表现良好。然而，DeepAtrophy 不可解释，且不清楚 MRI 中的哪些变化导致了进展测量。在本文中，我们提出区域深度萎缩（RDA），它将 DeepAtrophy 的时间推断方法与可变形配准神经网络和注意力机制相结合，突出显示 MRI 图像中纵向变化对时间推断有贡献的区域。RDA 具有与 DeepAtrophy 相似的预测精度，但其额外的可解释性使其更易于在临床环境中使用，并可能带来更敏感的早发型 AD 临床试验疾病监测生物标志物。
引用
@article{arxiv.2304.04673,
title = {Regional Deep Atrophy: a Self-Supervised Learning Method to Automatically Identify Regions Associated With Alzheimer's Disease Progression From Longitudinal MRI},
author = {Mengjin Dong and Long Xie and Sandhitsu R. Das and Jiancong Wang and Laura E. M. Wisse and Robin deFlores and David A. Wolk and Paul A. Yushkevich},
journal= {arXiv preprint arXiv:2304.04673},
year = {2023}
}
备注
Submitted to NeuroImage for review