Исследователи представили метод MT-GNN для предсказания морфометрических изменений подкорковых структур мозга на основе данных МРТ. В отличие от традиционных подходов, использующих прямую регрессию деформаций, модель анализирует внутреннюю геометрию поверхности в непрерывном времени. Это позволяет точнее моделировать эволюцию формы органа по ограниченному числу предыдущих сканирований, что критически важно для клинических прогнозов и отбора пациентов в исследования.
Разработка опирается на использование графовых нейронных сетей с метрическими тензорными эмбеддингами. Такой подход позволяет эффективно работать с нерегулярными сетками поверхностей мозга, сохраняя их топологические свойства при прогнозировании динамики изменений. Модель обучается на временных рядах данных, что дает возможность предсказывать состояние структур мозга на произвольные моменты времени, а не только на фиксированные интервалы между обследованиями.
Применение данной технологии открывает новые возможности для ранней диагностики нейродегенеративных заболеваний. Возможность предсказать траекторию изменения формы структур мозга позволяет врачам оценивать эффективность терапии в рамках клинических испытаний с более высокой точностью, минимизируя влияние шума и вариативности данных, характерных для медицинских изображений.
Ключевые факты
- Метод MT-GNN (Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings) использует графовые нейросети для анализа геометрии мозга.
- Модель предсказывает эволюцию формы подкорковых структур в непрерывном времени, а не через дискретные шаги.
- Подход заменяет прямую регрессию вершинных деформаций на предсказание внутренней геометрии поверхности.
- Технология предназначена для улучшения прогнозирования прогрессирования заболеваний и оптимизации клинических испытаний.