Deep learning-based magnetic resonance imaging image reconstruction in the assessment of brain microstructural changes in Parkinson's disease patients
Notice bibliographique
Résumé
Objective This study was aimed to investigate the application value of deep learning-based magnetic resonance imaging (MRI) image reconstruction technology in the assessment of brain microstructural changes in patients with Parkinson's disease (PD). Methods A total of 78 early-stage PD patients and 78 healthy controls were enrolled. Diffusion tensor imaging (DTI) was performed using MRI, and images were reconstructed using a multi-object interactive neural network-based brain MRI segmentation model. Parameters including fractional anisotropy (FA), mean diffusivity (MD), and radial diffusivity (RD) were calculated to assess microstructural changes in brain regions such as the substantia nigra, basal ganglia, and hippocampus. Pearson correlation analysis was employed to examine the association between regional parameters and Montreal cognitive assessment (MoCA) scores, while receiver operating characteristic (ROC) curves were used to evaluate the diagnostic efficacy of these parameters for PD. Results The constructed segmentation model achieved a Dice similarity coefficient (DSC) of 0.922, with relative volume difference (RVD) and root mean square (RMS) values of 0.042 and 0.46, respectively, outperforming related algorithms. The PD group exhibited significantly reduced FA and increased RD in the substantia nigra, hippocampus, and thalamus. Hippocampal RD demonstrated a strong negative correlation with MoCA scores ( r= -0.67, P< 0.001). ROC analysis indicated that hippocampal RD had the best diagnostic efficacy for PD [area under the curve (AUC) = 0.90, sensitivity 88 %/specificity 87 %], followed by substantia nigra RD (AUC = 0.88) and thalamic RD (AUC = 0.87). Conclusion Deep learning-based MRI reconstruction technology can accurately quantify early brain microstructural damage in PD patients. The RD of the hippocampus and substantia nigra are sensitive biomarkers for diagnosing PD and screen cognitive impairment, providing a new imaging strategy for the early precise diagnosis and treatment of PD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».