
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用迁移学习从T1 MRI数据生成分数各向异性图像,以评估中风患者的白质状况
《Brain Topography》:Generative Synthesis of Fractional Anisotropy Maps from T1 MRI Using Transfer Learning for White Matter Assessment in Stroke
【字体: 大 中 小 】 时间:2026年04月25日 来源:Brain Topography 2.9
编辑推荐:
评估白质完整性对预测缺血性卒中功能恢复至关重要。本研究利用GAN框架从常规T1 MRI中合成白质FA地图,对比单域训练与迁移学习策略。结果显示NLT+LF模型在整体脑、白质及病灶区域均表现最优,尤其在结构相似性和空间重叠度上显著优于其他模型(p<0.001),验证了高精度FA地图从T1 MRI可靠合成的可行性,为临床卒中评估提供替代方案。
评估白质完整性对于预测缺血性中风后的功能恢复至关重要。然而,传统的磁共振成像(MRI)无法捕捉到特定纤维束的微观结构变化,而扩散张量成像(DTI)则受到较长采集时间的限制。本研究旨在利用生成对抗网络(GAN)框架,从常规获取的T1加权(T1)MRI数据中合成分数各向异性(FA)图谱,这些数据包含2.5D信息。我们的主要目标是评估所提出的迁移学习策略与单一领域训练方法的相对效果。阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative)中375名认知正常受试者的T1-FA配对数据(共832张图像)被用作无病变数据集,而69名缺血性中风患者的纵向MRI数据(共236张图像)来自一个中心的研究队列。我们评估了三种模型:在无病变数据上训练的非病变模型(NLT)、在中风数据上训练的病变模型(LT),以及在中风数据上进一步微调的非病变模型(NLT+LF)。模型性能通过体素级误差(平均绝对误差(MAE)和均方根误差(RMSE)、结构相似性(峰值信噪比(PSNR)和结构相似性指数(SSIM)度量)、空间重叠度(Dice系数)以及分布相似性(Kullback-Leibler散度)来进行评估。经Bonferroni校正的配对t检验结果显示,NLT+LF在所有评估区域(包括整个大脑、白质和病变部位)的表现均显著优于NLT(所有p<0.001)。与LT相比,NLT+LF在所有指标上的表现也更优(p<0.001),除了病变区域之间的Dice系数和RMSE,这两项指标的显著性仍保持在p<0.01水平。这些改进得益于病变相关特征的保留和解剖结构的准确性,以及病变退化模式的捕捉。总体而言,所提出的NLT+LF方法提高了病变特异性表征能力,并证明了可以从T1 MRI可靠地合成高保真度的FA图谱。这种迁移学习框架为临床中风评估提供了实用的替代方案。
评估白质完整性对于预测缺血性中风后的功能恢复至关重要。然而,传统的磁共振成像(MRI)无法捕捉到特定纤维束的微观结构变化,而扩散张量成像(DTI)则受到较长采集时间的限制。本研究旨在利用生成对抗网络(GAN)框架,从常规获取的T1加权(T1)MRI数据中合成分数各向异性(FA)图谱,这些数据包含2.5D信息。我们的主要目标是评估所提出的迁移学习策略与单一领域训练方法的相对效果。阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative)中375名认知正常受试者的T1-FA配对数据(共832张图像)被用作无病变数据集,而69名缺血性中风患者的纵向MRI数据(共236张图像)来自一个中心的研究队列。我们评估了三种模型:在无病变数据上训练的非病变模型(NLT)、在中风数据上训练的病变模型(LT),以及在中风数据上进一步微调的非病变模型(NLT+LF)。模型性能通过体素级误差(平均绝对误差(MAE)和均方根误差(RMSE)、结构相似性(峰值信噪比(PSNR)和结构相似性指数(SSIM)度量)、空间重叠度(Dice系数)以及分布相似性(Kullback-Leibler散度)来进行评估。经Bonferroni校正的配对t检验结果显示,NLT+LF在所有评估区域(包括整个大脑、白质和病变部位)的表现均显著优于NLT(所有p<0.001)。与LT相比,NLT+LF在所有指标上的表现也更优(p<0.001),除了病变区域之间的Dice系数和RMSE,这两项指标的显著性仍保持在p<0.01水平。这些改进得益于病变相关特征的保留和解剖结构的准确性,以及病变退化模式的捕捉。总体而言,所提出的NLT+LF方法提高了病变特异性表征能力,并证明了可以从T1 MRI可靠地合成高保真度的FA图谱。这种迁移学习框架为临床中风评估提供了实用的替代方案。