SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions

本文介绍了一种称为“Synthetic Brain Age（SynthBA）”的深度学习模型，用于预测大脑年龄。大脑年龄是反映大脑生物老化过程的关键指标。通过MRI和机器学习技术可以预测大脑年龄，但现有方法往往对采集相关的变异性（如采集协议、扫描仪、MRI序列和分辨率的差异）敏感，从而在高度异质性的临床环境中应用受到显著限制。SynthBA采用先进的域随机化技术，确保在各种采集相关变异性下有效运作。为了评估SynthBA的有效性和鲁棒性，研究人员对内部和外部数据集进行了预测能力的评估，并与最先进的技术进行了比较。此外，研究人员在一大批患有阿尔茨海默病的受试者中计算了大脑PAD，证明其与认知功能障碍相关的AD相关指标存在显著相关性。SynthBA具有促进临床环境中大脑年龄预测更广泛应用的潜力，因为在这种情况下，重新训练或微调往往是不可行的。SynthBA的源代码和预训练模型可在https://github.com/LemuelPuglisi/SynthBA上公开获取。

论文旨在解决通过MRI和机器学习技术预测大脑年龄时，受到采集相关变量的影响，导致在临床实践中应用受限的问题。

通过引入SynthBA模型，利用先进的领域随机化技术，提高预测大脑年龄的鲁棒性和有效性，从而在各种采集相关变量的情况下实现更广泛的临床应用。

论文使用SynthBA模型在内部和外部数据集上进行了预测能力的评估，并与现有技术进行了比较。此外，论文还计算了一大批患有阿尔茨海默病（AD）的受试者的大脑PAD，证明了它与认知功能障碍相关的AD相关指标之间的显著相关性。SynthBA的源代码和预训练模型已公开发布在GitHub上。

在这个领域中，还有一些相关的研究，如“Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions”和“Machine learning in neurodegenerative disease diagnosis from magnetic resonance images”等。