Machine learning in neuroimaging: from research to clinical practice.

Neuroimaging is critical in clinical care and research, enabling us to investigate the brain in health and disease. There is a complex link between the brain's morphological structure, physiological architecture, and the corresponding imaging characteristics. The shape, function, and relationships between various brain areas change during development and throughout life, disease, and recovery. Like few other areas, neuroimaging benefits from advanced analysis techniques to fully exploit imaging data for studying the brain and its function. Recently, machine learning has started to contribute (a) to anatomical measurements, detection, segmentation, and quantification of lesions and disease patterns, (b) to the rapid identification of acute conditions such as stroke, or (c) to the tracking of imaging changes over time. As our ability to image and analyze the brain advances, so does our understanding of its intricate relationships and their role in therapeutic decision-making. Here, we review the current state of the art in using machine learning techniques to exploit neuroimaging data for clinical care and research, providing an overview of clinical applications and their contribution to fundamental computational neuroscience. Die Neurobildgebung ist bei der klinischen Behandlung und Forschung ein entscheidender Faktor, und ermöglicht es, das Gehirn in gesundem und krankem Zustand zu untersuchen. Es besteht ein komplexer Zusammenhang zwischen der morphologischen Struktur, der physiologischen Architektur und den entsprechenden Bildmerkmalen. Die Form, Funktion und Verbindungen zwischen verschiedenen Hirnarealen verändern sich während der frühen Entwicklung und im Laufe des gesamten Lebens, sowie bei Krankheit und Genesung. Wie nur wenige andere Bereiche zieht die Neurobildgebung einen Nutzen aus fortgeschrittenen Auswertungsverfahren, mit denen Bildgebungsdaten analysiert werden, um das Gehirn und seine Funktion zu untersuchen. Seit Kurzem leistet auch das maschinelle Lernen ein Beitrag (a) zu anatomischen Messungen, der Erkennung, Segmentierung und Quantifizierung von Läsionen und Krankheitsmustern, (b) zur schnellen Identifizierung akuter Erkrankungen wie zum Beispiel Schlaganfall oder (c) zur Nachverfolgung von Veränderungen über die Zeit. Mit den Fortschritten bei der Neurobildgebung und ihrer Auswertung nimmt auch das Verständnis der komplexen Beziehungen zwischen Struktur und Funktion und ihrer Bedeutung für die therapeutische Entscheidungsfindung zu. Für die vorliegende Arbeit wurde der aktuelle Wissensstand zum Einsatz von Verfahren des maschinellen Lernens bei der Auswertung von Daten aus der Neurobildgebung für klinische Behandlung und Forschung erhoben; klinische Anwendungen sowie ihr Beitrag zur als Grundlage dienenden computergestützten Neurowissenschaft werden im Überblick dargestellt.

Informations de copyright

© 2022. The Author(s).