AI模型TimeFlow：仅两次脑部MRI扫描即可预测未来脑衰老轨迹

一项名为TimeFlow——基于学习的纵向脑MRI评估算法，通过创新的“时间性条件作用”技术，革新了大脑纵向MRI分析。该模型仅需两次受试者的脑部扫描数据，即可准确预测未来的神经退行性病变轨迹并区分正常老化，显著优于现有方法。这不仅免去了繁琐的脑区数据标注，提升了预测精度和时间连贯性，还首次实现了对未来脑状态的非线性外推预测。这意味着未来有望更早期、更经济地通过常规体检数据，评估个体大脑衰老风险，从而及早干预，延缓老年痴呆等神经退行性疾病的发生与发展。

纵向脑部分析对于理解健康衰老和识别病理偏差至关重要。纵向脑部MRI序列配准是此类分析的基础。然而，现有方法受限于对密集采样时间序列的依赖、精度与时间平滑性之间的权衡，以及无法前瞻性地预测未来的脑状态。为了克服这些挑战，我们提出了TimeFlow，一个基于学习的纵向脑部MRI配准框架。TimeFlow使用带有时间条件的U-Net骨干网络，将神经解剖结构建模为年龄的连续函数。仅需来自同一受试者的两次扫描，TimeFlow即可估计出准确且时间一致的形变场，从而实现非线性外推以预测未来的脑状态。这是通过我们提出的应用于形变场和形变图像的插值/外推一致性约束来实现的。值得注意的是，这些约束在无需显式平滑正则化或密集采样序列数据的情况下，即可保持时间一致性和连续性。大量实验表明，TimeFlow 在未来时间点预测和配准精度方面均优于现有方法。此外，TimeFlow 支持新型的生物脑老化分析，无需分割即可区分神经退行性轨迹和正常老化，从而避免了耗时的标注工作，并减少了分割不一致性。TimeFlow 为脑老化和慢性疾病的纵向分析提供了一个准确、高效且无需标注的框架，能够预测观察研究期之外的脑部变化。

🔗：https://pubmed.ncbi.nlm.nih.gov/41843526/

分享这篇前沿资讯：

Facebook
Twitter

Still hungry? Here’s more