連続コントラスティブ球面U-Net：短時間fMRIスキャンにおける個別脳分節化の信頼性向上

科学分野:

• 神経画像
• 計算神経科学
• 医療における人工知能

背景:

• 機能的MRI（fMRI）からの個別脳分節化は、個別化医療にとって重要です。
• 現在の方法では、信号ノイズのため長いfMRIスキャン（>25分）が必要であり、臨床応用が制限されています。
• 短いfMRIスキャンは、個別化研究から除外されることが多く、より広範な研究を妨げています。

研究 の 目的:

• 短時間fMRIデータから信頼性の高い個別脳分節化を予測するための新しい深層学習モデル、CC-SUnetを開発すること。
• スキャン時間の要件を削減することにより、個別脳分節化の実用的な適用範囲を拡大すること。
• ノイズの多い短いfMRI信号から派生した脳分節化の信頼性と識別力を向上させること。

主な方法:

• 機能的結合から導出された機能的拡散マップ（DM）を、領域遷移を追跡しノイズを低減するための予測特徴量として利用しました。
• 二重タスクモデルを提案し、DMと皮質分節化を同時に予測し、それらの相互関係を活用しました。
• 段階的なデータセットを持つ連続予測フレームワークを開発し、短いスキャン時間から長いスキャン時間へと段階的に予測し、グループレベルDMを組み込んだ段階的ノイズ除去予測モジュールにより、ノイズ低減とガイダンスを行いました。

主要な成果:

• 提案されたCC-SUnetモデルは、短時間fMRIデータを使用して信頼性の高い個別脳分節化を生成する上で優れたパフォーマンスを示しました。
• 二重タスクアプローチと連続予測フレームワークは、機能的結合情報効果的に利用し、スキャン時間の制限に対処しました。
• Nペアコントラスティブ損失は、予測された個別脳分節化の識別力を大幅に向上させました。

結論:

• CC-SUnetモデルは、短いfMRIスキャンから信頼性の高い個別脳分節化の予測を成功裏に可能にしました。
• この進歩は、臨床および研究設定における個別脳分節化の実用的な有用性を大幅に拡大します。
• 開発された方法は、長いfMRI取得時間の制約を克服することにより、個別診断および治療のための有望なソリューションを提供します。