TractGeoNet:一个几何深度学习框架,用于点对点分析路径微观结构,以预测语言评估绩效
Yuqian Chen1, Leo R Zekelman2, Chaoyi Zhang3
1Department of Radiology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA; School of Computer Science, The University of Sydney, Sydney, NSW, Australia.
TractGeoNet是一个新的几何深度学习框架,使用扩散磁共振成像 (MRI) 曲谱来通过分析白质纤维来预测语言表现. 它识别了关键的大脑区域,在将大脑结构与认知特征联系起来方面表现优于传统方法.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 扩散磁共振成像 (dMRI) 路谱对于绘制白质路径至关重要.
- 传统的dMRI轨道测量方法通常会平均或简化数据,可能会丢失细粒度信息.
- 将白质微观结构与语言等认知功能联系起来仍然是一个关键的挑战.
研究的目的:
- 介绍 TractGeoNet,一个使用dMRI通道图和点向组织微观结构进行回归的几何深度学习框架.
- 为提高预测准确性开发一种新的配对语回归损失函数.
- 创建一个关键区域定位算法,用于识别纤维通道内的预测性解剖区域.
主要方法:
- 利用点云表示方式直接处理点向微观结构和dMRI轨道图的位置信息.
- 实施了一种配对语回归损失,以关注预测得分的相对差异.
- 应用了关键区域定位算法来确定高度预测性的解剖区域.
- 评估了来自人类连接组项目年轻成年人数据集的806名受试者,预测了来自20个协会白质谱的语言表现.
主要成果:
- 与基于神经成像特征的认知表现现现有的回归模型相比,TractGeoNet表现出优异的预测性能.
- 左弧形囊被确定为对语言表现最具预测性的通道.
- 区域内的关键区域,包括时间和额头区域,被定位为语言能力的持续预测.
结论:
- 通过 TractGeoNet 的几何深度学习,提供了一种强大的方法来分析白质纤维和它们与人类特征的关系.
- 该框架有效地利用点对点的dMRI数据,并确定影响语言表现的关键大脑区域.
- TractGeoNet促进了大脑结构功能关系的研究,特别是用于认知评估.
更多相关视频
13:26Measuring Connectivity in the Primary Visual Pathway in Human Albinism Using Diffusion Tensor Imaging and Tractography
Published on: August 11, 2016
13:12Translational Brain Mapping at the University of Rochester Medical Center: Preserving the Mind Through Personalized Brain Mapping
Published on: August 12, 2019
相关概念视频
Methods of Obtaining Topography
Introduction to GIS
Levels of Use of a GIS
Selected Data About Geographic Locations
Manipulation and Analysis
Design Example: Alignment of a Road Line Using GIS
