グラフニューラルネットワークを用いたマルチモーダル接続性ベースの皮質セグメンテーション

科学分野:

• 神経画像処理
• 人工知能
• 計算神経科学

背景:

• MRIからの脳皮質の мануальная сегментацияは時間がかかり、専門知識が必要です。
• 効率と精度を向上させるためには、自動化されたセグメンテーション手法が必要です。
• グラフニューラルネットワーク（GNN）は、複雑なデータ分析タスクの可能性を示しています。

研究 の 目的:

• 脳皮質セグメンテーションのためのさまざまなGNNアーキテクチャのパフォーマンスを評価すること。
• マルチモーダルデータ（sMRIおよびdMRI）がセグメンテーション精度に与える影響を調査すること。
• 人口統計学的/臨床的データの予測のために、GNNベースのセグメンテーションとFreeSurferを比較すること。

主な方法:

• 3つのGNNアーキテクチャ（Graph Convolutional Network（GCN）、Graph Attention Network（GAT）、Graph U-Net）をトレーニングしました。
• マルチモーダルセグメンテーションのために構造的MRI（sMRI）および拡散MRI（dMRI）データを利用しました。
• FreeSurferから派生したラベルとDiceスコアを使用してセグメンテーションパフォーマンスを評価しました。
• 人口統計学的/臨床的データの予測のために、GNNとFreeSurferのセグメンテーションを比較しました。

主要な成果:

• GATアーキテクチャは、既存の非グラフベースの手法に匹敵するDiceスコアを達成しました。
• dMRIからの構造的接続性の組み込みは、sMRI単独と比較してセグメンテーション精度を大幅に向上させました。
• sMRIとdMRIの属性を組み合わせてトレーニングされたGNNモデルは、sMRIのみでトレーニングされたモデルよりも優れたパフォーマンスを示しました。
• GNNベースまたはFreeSurferのセグメンテーションのいずれも、人口統計学的/臨床的データの予測において優位性を示しませんでした。

結論:

• GNN、特にGATは、自動化された脳皮質セグメンテーションのための効果的なツールです。
• マルチモーダルデータ統合（sMRIおよびdMRI）は、GNNベースのセグメンテーションのパフォーマンスを向上させます。
• GNNおよびFreeSurferアプローチは、人口統計学的/臨床的アウトカムの予測において同等の有用性を示しました。