从老鼠MRI扫描中完全自动化整脑细分,使用卷积神经网络
Valerie A Porter1, Brad A Hobson2, Brent Foster3
1Department of Biomedical Engineering, University of California, Davis, CA 95616, USA; Department of Radiology, University of California, Davis, CA 95817, USA.
Journal of neuroscience methods
|February 10, 2024
概括
一个新的2D U-Net框架在MRI扫描中准确地细分临床前动物大脑. 这种自动化方法改善了对有机酸盐中毒和阿尔茨海默病模型的全脑划分.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 自动整脑划分 (WBD) 对于神经影像分析至关重要.
- 现有的WBD技术对于带有神经病理的临床前MRI数据缺乏准确性和概括性.
- 像有机中毒 (OPI) 和阿尔茨海默氏病 (AD) 这样的疾病会导致变形,挑战目前的WBD方法.
研究的目的:
- 开发和评估一个修改的2D U-Net框架,用于在动物MRI扫描中准确和自动地划分整个大脑 (WBD).
- 评估U-Net模型在不同患有神经疾病的老鼠模型中的通用性.
- 克服手动细分的局限性,提高WBD的效率.
主要方法:
- 采用了经过修改的2D U-Net,具有27个卷积层,批量规范化,dropout和数据增强.
- 培训涉及125个T2加权7.0TMRI扫描从一个OPI大鼠模型.
- 测试和验证使用了20个OPI和120个AD鼠标模型扫描,通过子系数 (DC) 和豪斯多夫距离 (HD) 测量性能.
主要成果:
- 该U-Net实现了高精度,OPI老鼠的中位数子系数 (DC) 为0.984,AD老鼠的平均DC为0.975.
- 豪斯多夫距离 (HD) 很低,为OPI测量1.69毫米,为AD大鼠模型测量1.49毫米.
- 细分过程很快,每次扫描的计算速度为8秒.
结论:
- 经过修改的2D U-Net为临床前动物MRI中WBD提供了一个全自动化,高效和可通用的解决方案.
- 该方法在不同的老鼠菌株和纵向变化中显示出强度.
- 这种方法显著克服了疾病模型中神经影像分析手动细分的局限性.


