在解剖学追踪数据中进行纤维束的自我监督细分和表征
Vaanathi Sundaresan1, Julia F Lehman2, Chiara Maffei3
1Department of Computational and Data Sciences, Indian Institute of Science, Bengaluru, Karnataka 560012, India.
bioRxiv : the preprint server for biology
|October 24, 2023
概括
这项研究引入了一种深度学习方法,用于将大脑连接自动细分为组织学部分,加速分析并提高神经成像研究的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 解剖学追踪对于绘制大脑连接和验证扩散核磁共振图谱至关重要.
- 手动绘制光纤轨迹图是耗时的,限制了可用于验证的注释数据.
- 开发计算机辅助细分方法对于加速追踪器数据分析至关重要.
研究的目的:
- 开发一种计算机辅助的细分方法,以加快对大脑追踪器数据的分析.
- 创建一个强大的深度学习方法来对纤维捆在组织学部分进行细分.
- 提高大脑连接学研究的准确性和效率.
主要方法:
- 提出了一种新的深度学习方法,用于光纤束细分的自我监督损失函数.
- 采用半监督学习来利用未标记的数据,解决手工标签的稀缺问题.
- 整合了解剖学和横截面连续性约束,以提高细分精度.
主要成果:
- 该方法在细分来自不同病例的未见组织学部分时,实现了大约0.80的真实阳性率.
- 证明了在不同的白物质路径中量化纤维束密度的能力.
- 鉴定了来自同一注射部位的纤维束密度的变化,为白质组织提供了洞察力.
结论:
- 开发的深度学习方法显著加快了解剖追踪数据的分析.
- 该方法的准确性和跨案例概括能力为神经科学研究提供了有价值的工具.
- 关于纤维束密度的发现对完善扩散核磁共振扫描和理解大脑电路有意义.


