Automatic rating of incomplete hippocampal inversions evaluated across multiple cohorts

要約

不完全海馬反転 (IHI) は、海馬回転異常とも呼ばれ、一般人口の約 20% に見られる海馬の異常な解剖学的パターンです。
IHI は、4 つの解剖学的基準を組み合わせた複合スコアを使用して、T1 強調 MR 画像の冠状スライスで視覚的に評価できます。
IHI はいくつかの脳障害 (てんかん、統合失調症) と関連しています。
ただし、これらの研究は少数のサンプルに基づいていました。
さらに、IHI の発生に寄与する要因（遺伝的または環境）はほとんど知られていません。
したがって、IHI と神経疾患および精神疾患との潜在的な関係をさらに理解するには、大規模な研究が必要です。
ただし、視覚的な評価は時間がかかり退屈な作業であるため、自動化された方法の必要性が正当化されます。
この論文では、IHI を自動的に評価することを初めて提案します。
4 つの解剖学的基準を予測することから進み、それらが合計されて IHI スコアが形成され、解釈可能なスコアという利点が得られます。
私たちは、さまざまな機械学習手法とトレーニング戦略について広範な実験調査を提供しました。
さまざまな深層学習モデル (conv5-FC3、ResNet、SECNN) とリッジ回帰を使用して自動評価を実行しました。
さまざまなコホートを使用してモデルの一般化を研究し、マルチコホート学習を実行しました。
私たちは、IMAGEN 研究の参加者 2,008 名、QTIM/QTAB 研究の参加者 993 名と 403 名、および UKBiobank の被験者 985 名という大規模な集団に依存しました。
私たちは、深層学習モデルがリッジ回帰よりも優れたパフォーマンスを発揮することを示しました。
conv5-FC3 ネットワークのパフォーマンスは、低い複雑さと計算時間を維持しながら、より複雑なネットワークと少なくとも同等であることを実証しました。
私たちは、単一コホートでのトレーニングでは変動性に欠ける可能性がある一方で、複数のコホートでのトレーニングでは汎化性が向上することを示しました。

要約(オリジナル)

Incomplete Hippocampal Inversion (IHI), sometimes called hippocampal malrotation, is an atypical anatomical pattern of the hippocampus found in about 20% of the general population. IHI can be visually assessed on coronal slices of T1 weighted MR images, using a composite score that combines four anatomical criteria. IHI has been associated with several brain disorders (epilepsy, schizophrenia). However, these studies were based on small samples. Furthermore, the factors (genetic or environmental) that contribute to the genesis of IHI are largely unknown. Large-scale studies are thus needed to further understand IHI and their potential relationships to neurological and psychiatric disorders. However, visual evaluation is long and tedious, justifying the need for an automatic method. In this paper, we propose, for the first time, to automatically rate IHI. We proceed by predicting four anatomical criteria, which are then summed up to form the IHI score, providing the advantage of an interpretable score. We provided an extensive experimental investigation of different machine learning methods and training strategies. We performed automatic rating using a variety of deep learning models (conv5-FC3, ResNet and SECNN) as well as a ridge regression. We studied the generalization of our models using different cohorts and performed multi-cohort learning. We relied on a large population of 2,008 participants from the IMAGEN study, 993 and 403 participants from the QTIM/QTAB studies as well as 985 subjects from the UKBiobank. We showed that deep learning models outperformed a ridge regression. We demonstrated that the performances of the conv5-FC3 network were at least as good as more complex networks while maintaining a low complexity and computation time. We showed that training on a single cohort may lack in variability while training on several cohorts improves generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google