结构性脑成像利用深度学习预测个人层面的任务激活地图

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物标志物发现发现

背景情况:

• 准确的个体脑活动功能映射对于生物标志物发现和临床应用至关重要.
• 结构神经成像通常不会直接映射与任务相关的大脑激活.

研究的目的:

• 调查结构神经成像数据是否可以预测功能磁共振成像 (fMRI) 任务激活模式的学科间变化.
• 确定哪些结构特征对预测功能激活具有最多信息.

主要方法:

• 一个卷积神经网络 (U-Net模型) 使用多式结构MRI数据 (T1加权,T2加权,扩散张力成像) 来训练了591名受试者.
• 该模型预测了七个任务领域的47个不同的fMRI任务激活量.
• 进行了除研究,以评估不同结构组件和成像方式的贡献.

主要成果:

• 该模型成功地预测了个别任务激活地图,显示与实际地图的相关性比与其他主题的地图更强.
• 皮层和皮层下形状信息独立地预测了激活差异,但全脑形状的效果不那么好.
• T2加权和扩散张力成像提供了超出T1加权成像的额外预测信息.

结论:

• 结构神经成像数据包含了关于基于任务的大脑激活的跨主体变异性的预测信息.
• 皮质折叠模式和皮质下微观结构特征是将大脑结构与功能联系起来的关键组成部分.
• 这种方法具有非侵入性生物标志物发现和个性化神经治疗的潜力.