Az agy biológiai életkorának meghatározása strukturális MRI felvételek alapján mesterséges intelligencia alkalmazásával. A kidolgozott eljárásban alkalmazott konvolúciós neurális hálózat tanítása nagyszámú (N > 30000) strukturális MRI felvétel felhasználásával történt. A modell független teszthalmazon nagyon pontos életkorbecslést ért el, az átlagos abszolút hibája kevesebb volt, mint 2.5 év. Mivel az időskori neurodegeneratív megbetegedésekben az agy öregedési folyamatai felgyorsulnak, a mesterséges agyéletkorbecslés lehetőséget nyújt a neurodegeneratív betegségek fokozott kockázatának korai, preklinikai felismerésére.

Agyi strukturális MRI chart, referenciaszabványok. Az elmúlt évtizedekben a strukturális MR képalkotás az emberi agy kutatásának és klinikai vizsgálatának elsődleges eszközévé vált. Ebből kifolyólag kiemelt fontosságú olyan referenciaszabványok létrehozása, amelyekkel számszerűsíteni lehet a strukturális MRI mérőszámainak egyéni különbségeit élethosszon át – hasonlóan olyan antropometriai jellemzőkhöz mint a magasság vagy a testsúly változási referencia szabványai – és amely ezáltal lehetővé teszi tetszőleges meglévő vagy jövőbeli strukturális MRI felvételből származó agyi morfológiai jellemzők összehasonlítását.

Mesterséges intelligencia alapú automatizált MRI minőség-ellenőrzési eljárás. Kidolgozásra került egy 3D konvolúciós neurális hálózat (CNN) alapú automatizált MRI minőség-ellenőrzési eljárás, mely 94 %-os pontosságot ért el az agyi felvételek klinikai szempontból használható vagy használhatatlan kategóriákba történő besorolásában úgy, hogy egy felvétel osztályozása kevesebb mint egy másodpercet vesz igénybe. Az MRI minőség-ellenőrzés automatizálása jelentős segítséget nyújthat az agyi öregedés MRI kutatásában és a neurodegeneratív megbetegedések MRI klinikai diagnosztikájában egyaránt, mivel az időskori MRI felvételek esetében jelentős mértékben megnő a műtermékkel való terheltség.

Publikációk:

  • Vakli P, Weiss B, Rozmann D, Erőss G, Nárai Á, Hermann P, Vidnyánszky Z, The effect of head motion on brain age prediction using deep convolutional neural networks. medRxiv, 2023.11. 03.23297761
  • Vakli P, Weiss B, Szalma J, Barsi P, Gyuricza I, Kemenczky P, Somogyi E, Nárai Á, Gál V, Hermann P, Vidnyánszky Z, Automatic brain MRI motion artifact detection based on end-to-end deep learning is similarly effective as traditional machine learning trained on image quality metrics. Med Image Anal 88, (2023) 102850. DOI: 10.1016/j.media.2023.102850
  • Nárai Á, Hermann P, Auer T, Kemenczky P, Szalma J, Homolya I, Somogyi E, Vakli P, Weiss B, Vidnyánszky Z, Movement-related artefacts (MR-ART) dataset of matched motion-corrupted and clean structural MRI brain scans. Sci Data 9, (2022) 630. DOI: 10.1038/s41597-022-01694-8.
  • Vakli P, Deák-Meszlényi RJ, Auer T, Vidnyánszky Z, Predicting Body Mass Index From Structural MRI Brain Images Using a Deep Convolutional Neural Network. Front Neuroinform. 14, (2020) 10. DOI: 10.3389/fninf.2020.00010
  • Vakli P, Deák-Meszlényi RJ, Hermann P, Vidnyánszky Z, Transfer learning improves resting-state functional connectivity pattern analysis using convolutional neural networks. Gigascience 7, (2018) (12). DOI: 10.1093/gigascience/giy130
  • Meszlényi, R., Buza, K., Vidnyánszky, Z,. Resting state fMRI functional connectivity-based classification using a convolutional neural network architecture. Front. Neuroinform 11, (2017) 61. DOI: 10.3389/fninf.2017.00061.