深度学习微观结构估计发育中的大脑从扩散MRI:一个新生儿和胎儿研究研究

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 计算神经科学是一种神经科学.

背景情况:

• 扩散权重磁共振成像 (dMRI) 对于评估大脑白质结构至关重要.
• 准确估计纤维定向分布函数 (FOD) 通常需要广泛的dMRI测量,这对新生儿和胎儿等弱势群体构成挑战,因为获得时间有限.
• 现有的标准和深度学习方法在有限的dMRI数据下扎,特别是在发育中的大脑中.

研究的目的:

• 开发和验证一种新的深度学习方法,用于从减少数量的dMRI测量中计算FOD.
• 为了克服标准FOD计算方法的局限性,在缺乏dMRI数据的场景中,如新生儿和胎儿成像.
• 通过不同的扫描仪,协议和解剖结构来证明拟议的深度学习方法的通用性和准确性.

主要方法:

• 训练了一个深度学习模型,绘制一组最小的六个dMRI测量以准FOD,使用高角度分辨率数据作为地面真相.
• 该方法的性能与标准技术 (如受约束的球形解卷和其他深度学习方法) 进行了定量评估.
• 使用两个独立的新生儿和胎儿临床数据集评估了概括性,胎儿FOD与死后组织学数据进行了验证.

主要成果:

• 深度学习方法取得了与现有方法相比或优于现有方法的结果,尽管使用的dMRI测量显著减少.
• 与其他深度学习技术相比,对于单纤维和双纤维的voxels,该方法显示出更高的协议率 (77.5%和22.2%) 和更低的角度误差 (10°和20°).
• 该模型在不同的扫描仪,采集协议和解剖学变异中显示出强大的性能,首次使用dMRI成功估计了胎儿FOD.

结论:

• 深度学习为使用有限的体内dMRI数据在发育中的大脑中准确计算纤维方向密度提供了强大的解决方案.
• 拟议的方法显著提高了新生儿和胎儿先进白质谱的可行性.
• 尽管有进展,但dMRI在探测发育中的大脑微观结构方面的固有局限性仍然存在,这需要进一步的研究.