Modellering av Tau-distribution från DTI med generativt motståndsnätverk för diagnos av Alzheimers sjukdom

Den mest betydande effekten av detta projekt är att för första gången föreslå ett nytt generativt motståndsnätverk (GAN), som en typ av djupinlärningsarkitektur, för att automatiskt generera syntetiska PET-bilder som reflekterar tau-avsättning, från hjärnans DTI-bilder. Om det lyckas kommer detta ramverk att bli det mest avancerade tillvägagångssättet för att simulera det stereotypa mönstret av intracerebral tau-ackumulering och distribution in vivo.

Syntetiska tau-PET-bilder via DTI, som har överväldigande överlägsenhet vad gäller strålningsfri, icke-invasiv och kostnadseffektivitet, kommer potentiellt att fungera som en av alternativa metoder för PET för att detektera tau-belastning och förmodligen överträffa PET när det gäller tillgänglighet, generaliserbarhet och tillgänglighet i framtiden, vilket gör det mycket mer attraktivt i klinisk tillämpning. Ett stort konceptuellt skifte kan inträffa och föredrar en eld-ny tau-PET simulerad via DTI.

DTI:s datadrivna ramverk för djupinlärning som ska skapas i detta projekt kommer att utgöra ett korrekt, robust, kliniskt applicerbart och förklarande verktyg för att effektivt kategorisera försökspersonerna i tau-burden positiva och tau-burden negativa fall, vilket utan tvekan kommer att bidra till både kliniska och forskningsverksamhet.