跨年龄和跨地点的领域转变对深度学习的影响 - - 基于白质的学习 - - 新生儿和婴儿大脑中的纤维估计

科学领域:

• 神经成像是一种神经成像.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 深度学习模型显示了使用扩散磁共振成像 (dMRI) 估计组织微观结构的潜力.
• 由于不同的扫描仪,协议或生物变异 (如婴儿大脑发育) 引起的域移动对这些模型构成重大挑战.
• 现有的域适应技术对于估计婴儿大脑发育中的纤维方向分布函数 (fODFs) 基本上尚未被探索.

研究的目的:

• 调查与年龄相关的领域转移对婴儿大脑微观结构估计深度学习模型的影响.
• 评估时刻方法和微调策略在应对这些挑战中的有效性.
• 探索有限的目标域样本在缓解域转移方面的潜力.

主要方法:

• 利用两个队列:201名新生儿和165名婴儿,分析年龄影响和领域转移.
• 采用时刻方法和微调策略来适应模型.
• 评估跨年龄表现和有限的目标域样本的影响.

主要成果:

• 与新生儿相比,婴儿的微观结构变化减少显著影响跨年龄深度学习模型的性能.
• 微调策略,即使是少量目标域样本,也可以大幅减少域转移问题.
• 年龄是影响儿科神经成像中深度学习模型通用性的关键因素.

结论:

• 与年龄相关的变化对婴儿大脑微观结构分析中的深度学习模型构成了重大领域转移挑战.
• 微调提供了一个可行的方法,使模型适应不同的开发阶段和扫描仪协议.
• 使用最小数据的目标域适应在改善儿科dMRI分析模型稳定性方面是有效的.