Construcción de atlas subcorticales de grano fino con aprendizaje de representación de grafos de consenso de conexión

Área de la Ciencia:

• Neuroimagen
• Neurociencia Computacional
• Análisis de Imágenes Médicas

Sus antecedentes:

• Las estructuras subcorticales son cruciales para las funciones sensoriomotoras, emocionales y de memoria.
• Su compleja organización desafía la cartografía anatómica precisa.
• Los métodos existentes enfrentan una compensación entre especificidad y consistencia entre sujetos.

Objetivo del estudio:

• Desarrollar un marco novedoso para la parcelleación subcortical a escala fina.
• Mejorar la fidelidad anatómica y la consistencia entre sujetos en la cartografía subcortical.
• Crear un atlas subcortical nuevo y detallado utilizando datos de resonancia magnética de difusión.

Principales métodos:

• Un marco de parcelleación multiescala que utiliza el aprendizaje de representación de grafos de consenso sobre la tractografía de resonancia magnética de difusión (dMRI).
• Nueva representación de conectividad basada en clústeres de fibras y pre-parcelleación de superpíxeles 3D-SLIC.
• Integración del aprendizaje de grafos con modelado de tensores de bajo rango para la regularización a nivel de población.

Principales resultados:

• El método propuesto produce parcelas subcorticales con una reproducibilidad superior y homogeneidad microestructural.
• Se logró una reducción promedio del 15-25% en el coeficiente de variación de los índices de microestructura derivados de la difusión en comparación con los atlas existentes.
• Se demostró una mayor robustez para análisis posteriores de homología estructural y variabilidad regional.

Conclusiones:

• El pipeline desarrollado ofrece una herramienta poderosa para mapear la organización subcortical detallada.
• Permite la neuroimagen de precisión y el descubrimiento de biomarcadores para trastornos neurológicos y psiquiátricos.
• El código está disponible públicamente para aplicaciones de investigación.