Stochastic Cortical Self-Reconstruction

要約

磁気共鳴画像法 (MRI) は神経変性疾患の診断に不可欠ですが、軽度の皮質萎縮を正確に評価することは、その繊細さのため依然として課題です。
自動化された皮質再構成は、健康な参照範囲と組み合わせることで、病理学的萎縮を正確に特定するのに役立ちますが、その一般化は画像取得と処理によるバイアスによって制限されます。
確率的皮質自己再構成 (SCSR) の概念を導入します。この概念は、MRI から得られた厚さを入力として取得し、潜在的な交絡因子を暗黙的に考慮することで、被験者固有の健康基準を作成します。
SCSR は皮質の一部をランダムに破壊し、残りの情報からそれらを自己再構築します。
健康な人のみを対象にトレーニングされ、自己再構築が繰り返されることで、標準からの逸脱を評価するための確率的参照皮質が生成されます。
この概念の 3 つの実装を紹介します。1 つはパーセルに適用される XGBoost、もう 1 つは多層パーセプトロンに基づく頂点レベルの 2 つのオートエンコーダー、もう 1 つは球面 U-Net を使用するオートエンコーダーです。
これらのモデルは、英国バイオバンクの健康な被験者を対象にトレーニングされ、その後 4 つの公開アルツハイマー病データセットにわたって評価されました。
最後に、このモデルを社内の臨床データに展開します。このデータでは、偏差マップの高い空間分解能が 4 つのタイプの認知症を区別するのに役立ちます。

要約(オリジナル)

Magnetic resonance imaging (MRI) is critical for diagnosing neurodegenerative diseases, yet accurately assessing mild cortical atrophy remains a challenge due to its subtlety. Automated cortex reconstruction, paired with healthy reference ranges, aids in pinpointing pathological atrophy, yet their generalization is limited by biases from image acquisition and processing. We introduce the concept of stochastic cortical self-reconstruction (SCSR) that creates a subject-specific healthy reference by taking MRI-derived thicknesses as input and, therefore, implicitly accounting for potential confounders. SCSR randomly corrupts parts of the cortex and self-reconstructs them from the remaining information. Trained exclusively on healthy individuals, repeated self-reconstruction generates a stochastic reference cortex for assessing deviations from the norm. We present three implementations of this concept: XGBoost applied on parcels, and two autoencoders on vertex level — one based on a multilayer perceptron and the other using a spherical U-Net. These models were trained on healthy subjects from the UK Biobank and subsequently evaluated across four public Alzheimer’s datasets. Finally, we deploy the model on clinical in-house data, where deviation maps’ high spatial resolution aids in discriminating between four types of dementia.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google