在体内神经密度从解剖学MRI和机器学习
Adil Akif1, Lawrence Staib1,2,3, Peter Herman2,4
1Department of Biomedical Engineering, Yale University, 55 Prospect St, New Haven, CT 06511, United States.
Cerebral cortex (New York, N.Y. : 1991)
|May 21, 2024
概括
这项研究引入了一种机器学习方法,通过MRI扫描来估计大脑细胞和突触密度. 这种方法可以导致个性化的大脑能量图,以更好地解释功能神经成像.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 大脑能量预算对于了解代谢成本至关重要.
- 目前的方法依赖于平均细胞和突触密度,缺乏个体特异性.
- 个性化大脑新陈代谢预测需要个性化神经密度估计.
研究的目的:
- 开发一种机器学习算法,从MRI数据中预测体内神经密度.
- 通过使用ex vivo染色和PET成像来验证算法的准确性.
- 为了实现个性化的大脑能量图谱预测,以进行增强的神经图像解释.
主要方法:
- 使用了纵向放松 (T1) 和扩散MRI (ADC,FA) 数据.
- 训练了一个人工神经网络,使用来自10名健康受试者的T1/ADC/FA数据.
- 使用训练网络的54名试验对象的预测细胞和突触密度.
- 根据默克尔染色 (细胞) 和SV2A-PET (突触) 数据进行验证的预测.
主要成果:
- 该算法在突触密度 (0.93) 和细胞密度 (0.85) 上实现了优异的组图重叠.
- 空间相关性表明了个性化预测的潜力,突触密度为0.89和细胞密度为0.58.
- 从宏观MRI预测微观大脑属性的概念证明.
结论:
- 一种机器学习方法可以从MRI中得出体内神经密度.
- 这种方法对创建个性化大脑能量图谱充满希望.
- 能够对功能神经成像数据进行微观解释,推进个性化神经科学.
