用小微磁共振成像参考数据集对小鼠大脑进行基于U-Net的血管细分
Christoph Praschl1, Lydia M Zopf2,3, Emma Kiemeyer1
1Department of Medical and Bioinformatics, School of Informatics, Communications and Media, University of Applied Sciences Upper Austria, Hagenberg i. M., Austria.
PloS one
|October 12, 2023
概括
这项研究引入了一种开源的深度学习模型,用于从微磁共振成像 (μMRI) 数据中对小鼠大脑血管进行细分. 该方法在有限的数据中实现了高精度,改进了临床前研究的现有技术.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 对小鼠血管系统的准确细分对于研究阿尔茨海默氏症和瘤进展等疾病至关重要.
- 手动或半自动细分比深度学习方法耗时且不那么准确.
- 训练深度学习模型通常需要大型标记数据集,在临床前研究中很难获得这些数据集.
研究的目的:
- 开发和评估一个开源的,浅层的3D U-Net架构,用于在小鼠大脑中自动细分血管.
- 用一个小的数据集和最小的标记训练数据来证明模型的有效性.
- 将模型的性能与最先进的船体过器进行比较.
主要方法:
- 实施浅层的三维U-Net架构,用于船舶细分.
- 使用了一组小数据集,包括8个小磁共振成像 (μMRI) 堆的小鼠大脑.
- 通过交叉验证和两个后处理方法对模型进行了评估.
主要成果:
- 在最好的配置中,U-Net模型获得了61.34%的平均子得分.
- 与现有的血管过器相比,提出的方法证明了更快,更可靠的血管检测 (平均Dice分数为43.88%).
- 该模型只需要一小部分标记的训练数据,大大减少了注释工作.
结论:
- 开发的浅层3D U-Net提供了一个高效和准确的解决方案,用于细分小鼠大脑血管.
- 这种开源工具通过自动化以前繁的任务来促进临床前研究.
- 这种方法适用于涉及瘤进展,血管生成和血管对神经退行性疾病的贡献的研究.
