基于深度学习的脑干分割与多类分类在帕金森综合征中的应用

《JOURNAL OF MAGNETIC RESONANCE IMAGING》：Deep Learning-Based Brainstem Segmentation and Multi-Class Classification for Parkinsonian Syndrome

自动脑干分割结合机器学习模型实现帕金森综合征亚型分类，在3T T1加权MRI数据上验证了两阶段深度学习算法的有效性，内部DSC达0.969，外部达0.996，SVM模型在内部和外部数据集的AUROC分别为0.937和0.914。

　　

摘要

背景

利用结构性MRI进行脑部分割对于识别帕金森综合征中的区域性萎缩非常有效。然而，基于深度学习的自动脑干分割模型的临床验证仍然有限。

目的

开发并验证一种两步深度学习算法，用于自动分割脑干亚结构，并利用所得的体积测量结果对帕金森综合征进行分类。

研究类型

回顾性研究。

研究对象

内部数据集包括300名认知正常的受试者（171名女性）用于分割分析，以及513名受试者（265名男性）用于分类分析（其中207名为认知正常者，52名为进行性核上性麻痹[PSP]患者，65名为多系统萎缩-小脑型[MSA-C]患者，189名为帕金森病[PD]患者）。外部数据集包括82名受试者（43名男性；24名为PSP患者，28名为MSA-C患者，30名为PD患者）。

磁场强度/序列

3T下的3D梯度回波T1加权序列。

评估方法

通过将模型输出与手动标注进行比较，使用Dice相似系数（DSC）来评估分割性能。对于分类任务，将分割得到的脑区体积作为输入特征，分别应用于支持向量机（SVM）、随机森林（Random Forest）和XGBoost模型，并通过接收者操作特征曲线下面积（AUROC）来评估分类性能。内部数据集采用五折交叉验证进行验证，外部数据集则用于测试。三名放射科医师在一个月的间隔后，分别使用该模型和不使用该模型对同一数据集进行了分析。

统计检验

对于分割结果，使用Student's t检验或Mann–Whitney U检验来评估组间差异。分类性能采用一对多（one-vs-rest）方法进行评估，并对各个类别进行宏观平均。

结果

脑干分割的DSC得分分别为0.969（内部数据集）和0.996（外部数据集），与真实标记相比。在分类任务中，SVM模型表现出最高的区分性能，其AUROC分别为0.937（内部数据集）和0.914（外部数据集）。一名放射科住院医师在使用该模型后，分类性能有所提升。

数据结论

我们提出的结合深度学习脑干分割和机器学习分类的两步算法，能够利用3D T1加权脑MRI实现帕金森综合征的自动化鉴别。

证据水平

3级。

技术有效性

第一阶段。

利益冲突

作者声明没有利益冲突。

数据可用性声明

研究中生成或分析的数据集可应要求向相应作者索取。