Regional Deep Atrophy: a Self-Supervised Learning Method to Automatically Identify Regions Associated With Alzheimer’s Disease Progression From Longitudinal MRI

要約

タイトル：自己教師あり学習法を用いた長期MRIからアルツハイマー病進行に関連する領域を自動的に特定するRegional Deep Atrophy

要約：

– 脳萎縮の長期的評価は、特に海馬においては神経変性疾患（アルツハイマー病など）の生体マーカーとしてよく研究されている。
– 臨床試験では、脳の進行的な変化を追跡することで、疾患修復治療の有効性の推定が可能である。
– しかしながら、最新の測定手法は、MRI画像のセグメンテーションや可変変形の登録によって変化を直接計算するため、頭の運動やMRIのアーティファクトを神経変性として誤認する可能性があるため、精度に影響を及ぼす。
– 以前に開発されたDeepAtrophyと呼ばれるディープラーニング手法は、異なる時間に関連する長期的なMRIスキャンの差異を定量化するために畳み込みニューラルネットワークを使用するものであり、DeepAtrophyは時間的な順序や相対的なスキャン間隔のような長期的な情報を推定する際に高い精度を発揮している。
– DeepAtrophyは、疾患進行と治療効果の可能性のある潜在的な生体マーカーとして性能が良いことが示されているが、DeepAtrophy自体は解釈可能ではなく、MRIのどの変化が進行の測定に寄与しているか不明である。
– この論文では、長期的な変化が時間的推論に貢献しているMRI画像の領域を強調する変形可能な登録ニューラルネットワークと注目メカニズムを組み合わせたRegional Deep Atrophy（RDA）を提案する。
– RDAはDeepAtrophyと同様の予測精度を持つが、その付加的な解釈可能性により臨床設定での使用がより容易になり、早期ADの臨床試験における疾患監視のより感度の高い生体マーカーを導くことができる可能性がある。

要約(オリジナル)

Longitudinal assessment of brain atrophy, particularly in the hippocampus, is a well-studied biomarker for neurodegenerative diseases, such as Alzheimer’s disease (AD). In clinical trials, estimation of brain progressive rates can be applied to track therapeutic efficacy of disease modifying treatments. However, most state-of-the-art measurements calculate changes directly by segmentation and/or deformable registration of MRI images, and may misreport head motion or MRI artifacts as neurodegeneration, impacting their accuracy. In our previous study, we developed a deep learning method DeepAtrophy that uses a convolutional neural network to quantify differences between longitudinal MRI scan pairs that are associated with time. DeepAtrophy has high accuracy in inferring temporal information from longitudinal MRI scans, such as temporal order or relative inter-scan interval. DeepAtrophy also provides an overall atrophy score that was shown to perform well as a potential biomarker of disease progression and treatment efficacy. However, DeepAtrophy is not interpretable, and it is unclear what changes in the MRI contribute to progression measurements. In this paper, we propose Regional Deep Atrophy (RDA), which combines the temporal inference approach from DeepAtrophy with a deformable registration neural network and attention mechanism that highlights regions in the MRI image where longitudinal changes are contributing to temporal inference. RDA has similar prediction accuracy as DeepAtrophy, but its additional interpretability makes it more acceptable for use in clinical settings, and may lead to more sensitive biomarkers for disease monitoring in clinical trials of early AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI