Modelowanie rozkładu Tau z DTI za pomocą generatywnej sieci przeciwstawnej do diagnozowania choroby Alzheimera

Najbardziej znaczący wpływ tego projektu polega na zaproponowaniu po raz pierwszy nowatorskiej generatywnej sieci przeciwstawnej (GAN), jako jednego rodzaju architektury głębokiego uczenia, do automatycznego generowania syntetycznych obrazów PET odzwierciedlających osadzanie się tau na podstawie obrazów DTI mózgu. Jeśli się powiedzie, ramy te staną się najnowocześniejszym podejściem do symulacji stereotypowego wzorca wewnątrzmózgowej akumulacji i dystrybucji tau in vivo.

Syntetyczne obrazy tau-PET za pośrednictwem DTI, posiadające przytłaczającą przewagę pod względem braku promieniowania, nieinwazyjności i opłacalności, potencjalnie będą służyć jako jedna z alternatywnych metod PET w wykrywaniu ładunku tau i prawdopodobnie przewyższą PET pod względem dostępności, uogólnienia i dostępności w przyszłości, czyniąc go znacznie bardziej atrakcyjnym w zastosowaniach klinicznych. Może nastąpić duża zmiana koncepcyjna, preferując nowego ognistego tau-PET symulowanego przez DTI.

Ramy głębokiego uczenia się oparte na danych DTI, które mają zostać utworzone w ramach tego projektu, będą stanowić dokładne, solidne, możliwe do zastosowania klinicznego i wytłumaczalne narzędzie do skutecznego kategoryzowania pacjentów na pozytywne i negatywne przypadki obciążenia tau, co niewątpliwie przyczyni się zarówno do i działalności badawczej.