基于深度学习的扩散张量成像参数的临床相关性：模型重训练的影响

基于深度学习（DL）的方法近来已成为从扩散加权磁共振成像数据中表征脑组织微结构特性的强大工具。这些技术能够以显著减少的采集方案描绘微结构特征，同时与非DL方法相比保持相对较高的图像质量指标。基于学习的方法已越来越多地应用于扩散张量成像（DTI）和更先进的多隔室生物物理模型，有望促进临床环境中的脑微结构多参数分析。然而，独立训练的DL模型——尽管保持了图像质量特性——似乎并未在独立训练的模型之间保持组水平分析的统计特性。在本研究中，我们系统评估了在相同架构下独立训练的神经网络之间基于DL的DTI参数的统计特性，以保持双相障碍中的组水平效应。我们考察了模型重新训练的影响及其与非线性最小二乘（NLLS）流程相比对减少梯度方向数的依赖性。我们的结果表明，在实验中保持网络架构和训练超参数相同的情况下，从均匀分布随机初始化模型权重，会导致独立训练模型推断出的DTI测量的统计特性出现显著变化。分析显示，与基于NLLS的分析相比，使用基于DL的DTI参数进行组水平分析的真阳性率范围为0%至100%。随着梯度方向数的增加，NLLS流程产生更稳定的组水平统计结果，而独立训练的DL模型尽管与参考图的图像质量一致性相似，却表现出更大的变异性。结果表明，在得出临床结论之前，应极其谨慎地对待从单个训练网络获取的DTI图。

中文由 AI 翻译，仅供参考，以原文为准。