NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beyin manyetik rezonans görüntülemesinin (MRI) ikincil kantitatif analizi, multipl skleroz (MS) de dahil olmak üzere birçok nörolojik hastalık için değerli bilgiler sağlayabilir, ancak klinik olarak genellikle kullanılamayan tam veri setleri gerektirir. İki aerodinamik veri kümesinde doğrulamanın ardından MS'de T1 ağırlıklı ve T2-ağırlıklı beyin MR'ına dayanan ilgili bir yöntem olarak Pix2Pix ile karşılaştırıldığında, döngü tutarlı generatif adversarial ağlar (CycleGANs) kullanarak derin öğrenme yoluyla görüntü sentezinin nasıl araştırıldı. Sentezlenen görüntüler kaynak verilere karşı da değerlendirildi.MetodlarAerodinamik veri kümeleri, Parkinson İlerleme İşaretçileri Girişimi'nden (PPMI) 1,113 sağlıklı katılımcı ve 318 katılımcıyı içeriyordu. Bu çalışmadaki MS kohortu, farklı protokollerle taranan 105 katılımcıyı içeriyordu. Görüntü sentezi, spektral normalleştirme ile ve olmadan CycleGAN kullanarak T1 ve T2-ağırlıklı MRI arasında çift yönlü ve Pix2Pix idi. Yardımcı test, MS'de en sık bulunmayan T1 ağırlıklı MR'a odaklandı ve lezyon tespiti, beyin hacmi ve lezyon dokusu analizini içeriyordu.SonuçlarAll CycleGAN modelleri rekabetçi bir şekilde performans gösterirken, Pix2Pix daha iyi performans gösterirken, çoğunlukla aerodinamik veri kümeleri ile (p p Sonuç Spektral normalizasyon olmadan CycleGAN, MS'de daha sonraki kantitatif analizler için kullanılabilir T1 ağırlıklı görüntüler de dahil olmak üzere ortak klinik beyin MR'yi sentezlemek için uygulanabilir göründü.
Özgün kaynak özetini okuyun
BackgroundSecondary quantitative analysis of brain magnetic resonance imaging (MRI) can provide valuable information for many neurological diseases, including multiple sclerosis (MS), but it demands complete datasets that are often unavailable clinically. We investigated how image synthesis via deep learning using cycle-consistent generative adversarial networks (CycleGANs) compared with Pix2Pix as a related method, based on T1-weighted and T2-weighted brain MRI in MS, following verification on two streamlined datasets. The synthesized images were also evaluated against the source data.MethodsThe streamlined datasets involved 1,113 healthy participants from the Human Connectome Project (HCP) and 318 participants from the Parkinson's Progression Markers Initiative (PPMI). The MS cohort in this study included 105 participants scanned with different protocols. Image synthesis was bidirectional between T1- and T2-weighted MRI using CycleGAN with and without spectral normalization, as well as Pix2Pix. Utility testing focused on T1-weighted MRI that was most often unavailable in MS, and that involved lesion detection, brain volumetry, and lesion texture analysis.ResultsAll CycleGAN models performed competitively, while Pix2Pix performed better, mostly with streamlined datasets (p p ConclusionCycleGAN without spectral normalization appeared feasible for synthesizing common clinical brain MRI, including T1-weighted images usable for subsequent quantitative analysis in MS.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.