DeepMultiConnectome: Predicción profunda de conectomas estructurales multiobjetivo directamente a partir de la...

Área de la Ciencia:

• Neuroimagen
• Neurociencia Computacional
• Aprendizaje Automático

Sus antecedentes:

• La tractografía de RM de difusión (dMRI) mapea las conexiones estructurales cerebrales in vivo.
• La generación tradicional de conectomas es lenta y requiere la parcellación de la sustancia gris, lo que limita los estudios a gran escala.

Objetivo del estudio:

• Introducir DeepMultiConnectome, un modelo de aprendizaje profundo para la predicción directa de conectomas estructurales a partir de la tractografía.
• Permitir la generación eficiente y flexible de conectomas específicos del sujeto que admitan múltiples esquemas de parcellación.

Principales métodos:

• Utilizar una red neuronal basada en nubes de puntos con aprendizaje multiobjetivo para clasificar streamlines.
• Entrenar y validar el modelo con datos del Human Connectome Project con parcellaciones de 84 y 164 regiones.
• Predecir conectomas a partir de tractogramas en aproximadamente 40 segundos.

Principales resultados:

• DeepMultiConnectome predice conectomas estructurales con alta concordancia con métodos tradicionales en dos esquemas de parcellación.
• Se obtuvieron altas correlaciones de Pearson (r=0.727-0.995) para varias estrategias de ponderación (recuento de streamlines, SIFT2, FA media).
• Se demostró un rendimiento y reproducibilidad comparables a los métodos tradicionales en tareas de predicción de prueba-reprueba y posteriores.

Conclusiones:

• DeepMultiConnectome ofrece una solución rápida y escalable para generar conectomas específicos del sujeto.
• El modelo admite múltiples esquemas de parcellación y ponderación, lo que mejora la flexibilidad para la investigación de conectomas.
• Facilita estudios de dMRI a gran escala al superar las limitaciones de los métodos tradicionales de generación de conectomas.