基于使用动态磁共振脂肪分数图像的深度学习,在老鼠身上自动细分骨间棕色脂肪组织

科学领域:

• 生物医学成像技术 生物医学成像技术
• 代谢研究研究 代谢研究
• 人工智能在医学中的应用

背景情况:

• 在新陈代谢研究中,准确细分骨间棕色脂肪组织 (iBAT) 是至关重要的.
• 动态MR脂肪分数 (FF) 图像与诺亚上腺素 (NE) 刺激提供了一种可视化IBAT活动的方法.
• 目前的细分方法在不同的生理状态中可能缺乏稳定性.

研究的目的:

• 开发一种使用动态MRFF图像和NE刺激在老鼠中标记iBAT的准确方法.
• 使用U-Net深度学习模型创建一个自动化的iBAT细分技术.
• 在各种老鼠模型中验证自动化细分的性能,包括那些没有NE刺激的老鼠模型.

主要方法:

• 在注射NE之前和之后,老鼠进行了连续的MRI扫描.
• 根据NE刺激后的FF显著变化,iBAT区域被自动标记.
• 一个U-Net深度学习网络使用FF图像和iBAT面具进行训练,以实现强大的细分.

主要成果:

• 与手动标签相比,自动标签实现了0.895 ± 0.022的子相似系数 (DSC).
• 该U-Net模型表现出高性能,DSC,精度和回忆率约为0.90.
• 在高脂肪饮食和正常饮食大鼠之间观察到iBAT体积和FF的显著差异.

结论:

• 成功开发了一种用于老鼠的自动化iBAT细分方法.
• 该方法利用激活的BAT和深度学习的动态MRFF成像.
• 这种技术可以为研究应用提供强大而准确的IBAT细分.