Modellierung der Tau-Verteilung von DTI mit Generative Adversarial Network für die Alzheimer-Diagnose

Die wichtigste Auswirkung dieses Projekts besteht darin, zum ersten Mal ein neuartiges generatives gegnerisches Netzwerk (GAN) als eine Art Deep-Learning-Architektur vorzuschlagen, um automatisch synthetische PET-Bilder zu erzeugen, die die Tau-Ablagerung widerspiegeln, aus DTI-Bildern des Gehirns. Bei Erfolg wird dieses Framework zum modernsten Ansatz, um das stereotype Muster der intrazerebralen Tau-Akkumulation und -Verteilung in vivo zu simulieren.

Synthetische Tau-PET-Bilder über DTI, die eine überwältigende Überlegenheit in Bezug auf Strahlungsfreiheit, Nicht-Invasivität und Kosteneffizienz besitzen, werden möglicherweise als eine der alternativen Modalitäten der PET bei der Erkennung der Tau-Last dienen und PET wahrscheinlich in Bezug auf Zugänglichkeit, Generalisierbarkeit und Verfügbarkeit übertreffen zukünftig deutlich attraktiver in der klinischen Anwendung. Es kann zu einer großen konzeptionellen Verschiebung kommen, die ein brandneues Tau-PET bevorzugt, das über DTI simuliert wird.

Das in diesem Projekt zu erstellende datengesteuerte DTI-Deep-Learning-Framework wird ein genaues, robustes, klinisch anwendbares und erklärbares Werkzeug darstellen, um die Probanden effizient in Tau-Belastungs-positive und Tau-Belastungs-negative Fälle zu kategorisieren, was zweifellos zu beiden klinischen beitragen wird und Forschungsaktivitäten.