.png){kind=icon}
返回
Automated deep learning pipeline for callosal angle quantification
.png){kind=icon}
OA
AI
DOI：10.1186/s12987-025-00750-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
正常压力脑积水（NPH）是一种潜在可治疗的神经退行性疾病，由于与其他疾病的临床重叠以及手动影像分析的工作量大，导致其诊断率较低。影像生物标志物，如胼胝体角（CA）、Evans指数（EI）和不成比例扩大的蛛网膜下腔脑积水（DESH），在NPH诊断中发挥着关键作用，但常受主观解释的限制。为解决这些挑战，我们开发了一种完全自动化且稳健的深度学习框架，可直接从原始T1 MPRAGE扫描中测量CA。我们的方法整合了两个互补模块。首先，采用BrainSignsNET模型精确检测关键解剖标志，特别是前连合（AC）和后连合（PC）。预处理的3D MRI扫描被重新定向至右前上（RAS）系统，并调整为标准化立方体尺寸以保持纵横比，作为标志点定位的输入。在检测到这些标志点后，提取与AC-PC线垂直的PC水平冠状切面用于后续分析。其次，基于UNet的分割网络（配备预训练的EfficientNetB0编码器）生成冠状切面上侧脑室的多类别掩码，用于计算CA。训练和内部验证使用来自巴尔的摩老龄化纵向研究（BLSA）和BIСARD的数据集，而外部验证采用376例约翰霍普金斯贝维医院及PENS试验的临床MRI扫描。我们的框架与手动测量结果高度一致，显示出强相关性（r=0.98，p<0.001）和平均绝对误差（MAE）为3.26（SD 1.89）度。此外，误差分析证实CA测量性能与患者年龄、性别和EI无关，突显了该方法的广泛适用性。结果表明，我们的完全自动化CA测量框架是手动方法的一种可靠且可重复的替代方案，在评估CA方面优于已报道的观察者间变异性，并为在研究和临床环境中增强NPH的早期检测和诊断提供了显著潜力。
Keyword:
Callosal angle
Normal pressure hydrocephalus
Neuroimaging
Deep learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.2
论文数:
849
被引数:
4.1K
机构
引用论文
DIAGNOSIS, TREATMENT, AND ANALYSIS OF LONG-TERM OUTCOMES IN IDIOPATHIC NORMAL-PRESSURE HYDROCEPHALUS.png)
Neurosurgery
OAAI
NeurosurgeryIF0
OAAI分享收藏Idiopathic Normal Pressure Hydrocephalus: The Real Social and Economic Burden of a Possibly Enormous Underdiagnosis ProblemTomographyOAAI
TomographyIF0
OAAI分享收藏
查看更多内容