摘要
临床磁共振成像（MRI）对于管理多发性硬化症（MS）等神经系统疾病至关重要，但其结果往往不一致，这限制了进一步分析以获得更详细的信息。我们的目标是建立一种新的Z分数模板方法，用于个体特定的图像增强处理，该方法与一种常见的深度学习技术——循环生成对抗网络（CycleGAN）进行比较，并通过MS治疗反应预测的案例来测试其实用性。我们研究了148名MS患者（102名女性），分为两个组，每组分别有104人和44人，两组在性别比例和年龄上相当，所有患者都接受了T1加权、T2加权和液体衰减反转恢复（FLAIR）脑部MRI检查。其中104名患者用于方法开发，44名患者用于验证测试。我们使用不同样本量构建了Z分数模板进行比较。最佳模板的Z分数被用来生成个体和序列特定的图像。同时也使用CycleGAN进行了类似的实验，并使用了相同的受试者群体进行测试。图像质量通过峰值信噪比、结构相似性指数和均方根误差来评估。在测试中，我们应用了基于ResNet50的深度学习模型，并使用了通常无法获得的T1加权MRI数据。研究发现，使用75名患者数据构建的Z分数模板效果最佳。利用现有图像，无论是哪种方法都能生成潜在的缺失MRI数据。在个体层面，Z分数模板生成的结果与CycleGAN的结果相当。此外，使用合成图像或原始T1加权图像训练的模型在治疗反应预测测试中取得了相似的准确率（分别为0.82–0.84 ± 0.04 vs 0.84 ± 0.02）。如果不使用T1加权MRI，模型准确率降至0.72，AUC也低于随机水平。总体而言，Z分数模板似乎是一种有效的个体特定脑部MRI增强方法，而生成的图像（如T1加权脑部MRI）具有支持下游应用的潜力，例如在MS治疗反应预测中。
利益冲突
作者声明没有利益冲突。
数据可用性声明
本手稿中使用的数据可在获得机构伦理审查委员会批准后提供。
