论文题目:MRI signatures of brain age and disease over the lifespan based on a deep brain network and 14 468 individuals worldwide
19年发表在brain杂志上
相关解读文章如思影科技。
这篇文章主要是用深度学习神经网络对MRI模态脑图像进行预测脑龄。
Abstract
1.MRI衍生的脑部年龄已被用作脑部健康的综合生物标志物,可以通过偏离典型的脑部衰老来识别晚期和有弹性的衰老个体。
2.使用机器学习还可以识别出各种精神疾病的影像学特征,包括精神分裂症和阿尔茨海默氏病。由于需要复杂且不容易重现的处理步骤,动力不足或样本来源多样,无法得出典型脑衰老轨迹的样本,以及人群和MRI扫描仪的重现性有限,阻碍了先前为获得这些指标而付出的努力。
3.本文中,开发并测试了复杂的深层大脑网络(DeepBrainNet),使用大型数据集(n = 11 729)MRI扫描图像进行了测试,该队列涵盖世界各地的不同研究,扫描仪,年龄和地理位置。
4.DeepBrainNet可从这些多样化的数据集中获得可靠的大脑年龄估计,而无需进行专门的图像数据准备和处理。
5.实验表明,moderately fit brain ageing models可能提供了对具有病理学特征的个体的最大判别力。因紧密拟合( tightly-fitting brain age models)的大脑年龄模型自然会得出大脑年龄的估算值,该估算值无法提供超过年龄的信息,而松散拟合(loosely fitting models )的模型可能包含很多噪音。
6.作者进行了一些实验表明,常用的紧密拟合模型的表现能力没有其他两种好,因此反对使用紧密拟合模型。适度拟合的大脑年龄模型获得了明显更高的分化。
7.迁移学习部分:与在患者和健康对照数据集上直接训练分类器或使用常见的成