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

本文介绍了一个名为“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重要指标。通过MRI和机器学习技术可以预测大脑年龄，但现有方法通常对采集相关变异性非常敏感，如采集协议、扫描仪、MRI序列和分辨率等差异，从而极大地限制了它们在高度异质性的临床环境中的应用。为此，本研究引入了一种先进的领域随机化技术，并设计了一个名为“SynthBA”的深度学习模型，以确保其在各种采集相关变异性下的有效运行。为了评估SynthBA的有效性和鲁棒性，我们在内部和外部数据集上评估了其预测能力，并将其与最先进的技术进行了比较。此外，我们还计算了一大批患有阿尔茨海默病（AD）的受试者的大脑PAD，证明其与认知功能障碍相关的AD相关测量存在显著相关性。SynthBA具有在临床环境中促进大脑年龄预测的潜力，因为在这种情况下重新训练或微调通常是不可行的。SynthBA源代码和预训练模型可在https://github.com/LemuelPuglisi/SynthBA上公开获取。

本论文旨在解决使用MRI和机器学习技术预测大脑年龄时，受到采集相关变异性的限制，从而限制其在临床设置中的应用。

本论文提出了SynthBA，一种使用先进的域随机化技术设计的深度学习模型，可有效应对各种采集相关变异性，从而预测大脑年龄。

本论文评估了SynthBA在内部和外部数据集上的预测能力，并与现有技术进行了比较。此外，论文还计算了一组患有阿尔茨海默病的受试者的大脑PAD，证明其与认知功能障碍相关的AD相关测量有显著相关性。SynthBA的源代码和预训练模型可在GitHub上公开获取。

最近的相关研究包括“Automated brain age prediction: results from the TADPOLE challenge”和“Brain age prediction using deep learning uncovers associated sequence variants”。