多里斯:基于扩散MRI的10个组织类深度学习细分算法,专门用于改进解剖学上受约束的曲谱学
Guillaume Theaud1,2, Manon Edde1, Matthieu Dumont2
1Sherbrooke Connectivity Imaging Laboratory (SCIL), Université de Sherbrooke, Sherbrooke, QC, Canada.
Frontiers in neuroimaging
|August 9, 2023
概括
一个新的深度学习算法DORIS直接从扩散加权图像 (DWI) 执行组织细分. 这种方法通过提供准确的解剖学先验来增强大脑轨道图,从而导致更可靠的流线生成.
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.
- 机器学习在医学成像中的应用
背景情况:
- 轨道图算法依赖于精确的组织细分 (白质,灰质,脑液) 来获得可靠的结果.
- 目前的方法经常使用T1加权图像,需要对扩散空间进行具有挑战性的注册,从而导致不准确.
- 基于扩散的细分是必要的,以改善通道学中的解剖学先验.
研究的目的:
- 介绍DORIS,一个用于直接在本地扩散加权图像 (DWI) 空间中进行组织细分的深度学习算法.
- 评估DORIS的性能与现有方法相比,并评估其对扩散MRI通道图的影响.
- 为先进的神经成像分析提供强大而准确的细分工具.
主要方法:
- 开发了DORIS,这是一个深度学习模型,在1000名受试者 (年龄22-90岁) 上使用来自公共数据库的各种DWI数据进行训练.
- 采用银标准策略,使用注册在DWI空间的Freesurfer输出进行培训和验证.
- 从数量上比较DORIS细分图与Freesurfer和FSL-fast,并评估了轨道图的结果.
主要成果:
- DORIS 准确地从 DWI 直接划分了 10 个组织类,包括下皮层结构.
- 与既有方法相比,DORIS的细分图显示出高准确度.
- 使用DORIS priors生成的轨道图显示了更长的平均流线长度和减少的解剖不合理性.
结论:
- DORIS提供了一种快速,准确和可重复的解决方案,用于基于DWI的组织细分.
- 使用DORIS细分可以提高扩散MRI通道图的质量和解剖学有效性.
- 这种方法克服了基于T1的细分和基于FA的路谱学的局限性,推进了神经成像分析.
