研究目的
利用深度学习方法分析使用氟贝他匹（florbetapir）示踪剂的淀粉样蛋白-PET图像，以检测阿尔茨海默病或轻度认知障碍阶段。
研究成果
利用18F-AV-45和18F-FDG PET图像特征构建的成熟流程与深度神经网络，在阿尔茨海默病分期分类中达到了90%的敏感度和78%的特异度。该成果为临床医生提供了充分的疾病诊断信息，未来工作将聚焦于优化模型参数与拓扑结构以提升准确率。
研究不足
主要限制在于放射性示踪剂的半衰期，不过与11C - PiB等其他示踪剂相比，florbetapir较长的半衰期（110分钟）缓解了这一问题。数据中类别之间存在显著重叠，若获取更多图像或增加具有生物学意义的特征，模型的准确性可以得到提高。
1：实验设计与方法选择：
本研究采用PET图像处理流程，包括空间标准化和特征提取，随后开发深度神经网络对阿尔茨海默病阶段（健康对照HC、轻度认知障碍MCI、阿尔茨海默病AD）进行多分类。
2：样本选择与数据来源：
图像数据（18F-AV-45、18F-FDG PET及结构MRI）来自阿尔茨海默病神经影像学计划（ADNI）数据库，基于MMSE和CDR评分对731名参与者的基线信息标注为正常、MCI或AD。
3：18F-FDG PET及结构MRI）来自阿尔茨海默病神经影像学计划（ADNI）数据库，基于MMSE和CDR评分对731名参与者的基线信息标注为正常、MCI或AD。 实验设备与材料清单：
3. 实验设备与材料清单：所用PET扫描仪包括通用电气（GE）Discovery、飞利浦Gemini、西门子HRRT 207层及BioGraph HiRez（型号1093）。软件工具包含用于图像处理的SPM工具箱及用于脑区映射的AAL图谱。
4：实验流程与操作步骤：
图像处理包括更新原点、空间配准、标准化（以小脑为参考区域计算SUVr值）及特征提?。?16个脑区的平均体素强度）。通过主成分分析降维后，训练具有六个隐藏层（采用ReLU和Softmax激活函数）的神经网络，使用小批量训练和L2正则化。
5：数据分析方法：
神经网络按90%训练集、5%测试集、5%验证集划分数据进行训练、测试与验证，性能评估采用灵敏度和特异度指标。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
PET scanner
HRRT 207-slice
Siemens
Acquiring PET images for data collection in the study.
-
PET scanner
Discovery
General Electric
Acquiring PET images for data collection in the study.
-
PET scanner
Gemini
Philips
Acquiring PET images for data collection in the study.
-
PET scanner
HiRez 1093
BioGraph
Acquiring PET images for data collection in the study.
-
Software Toolbox
SPM Toolbox
Used for spatial normalization and processing of PET images.
-
Brain Atlas
AAL
Used for mapping brain regions and extracting mean voxel intensities.
-
登录查看剩余4件设备及参数对照表
查看全部
