下一代功能性神经认知成像协议的开发 - 第一部分:用于自动化大脑分片的3D滑动窗卷积神经网络

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 功能性MRI (fMRI) 对于评估脑震荡后综合征 (PCS) 严重程度和指导神经认知治疗至关重要.
• 开发先进的成像协议,如功能神经认知成像协议2 (fNCI2),对于改善PCS评估至关重要.
• 准确而高效的脑分片是分析临床应用的fMRI数据的关键第一步.

研究的目的:

• 开发一种基于机器学习的快速重新培训的大脑分片工具,用于PCS中的fMRI分析.
• 为下一代功能神经认知成像协议 (fNCI2) 实现高效准确的大脑分片.
• 创建一个单一的,多功能U-Net架构,能够从有限的输入中预测整个大脑分片.

主要方法:

• 使用了深度U-Net架构,有一个小的滑动窗口,用于高效的3D图像采样和预测.
• 从101个手动标记的Mindboggle图像中生成了广泛的培训,验证和测试数据集.
• 使用voxel-vote方法与重叠窗口进行全图像分片预测.

主要成果:

• 与标准的以图谱为基础的方法相比,开发的工具产生了高度一致的脑分片.
• 在现代GPU上,在不到3分钟的时间内实现了全图像分片预测.
• 展示了单一网络架构在不到36小时内快速重新培训的能力.

结论:

• 拟议的机器学习方法为fMRI中大脑分片提供了一个快速而准确的方法.
• 这种工具显著加速了功能神经认知成像协议2 (fNCI2) 的分析管道.
• 快速的再培训能力允许适应新数据和PCS评估中不断变化的临床需求.