通过机器学习,简化胎儿大脑在子宫中的轨道图
Weide Liu1, Camilo Calixto1,2, Simon K Warfield1
1Boston Children's Hospital and Harvard Medical School, Boston, MA.
ArXiv
|September 10, 2024
概括
这项研究引入了第一个使用扩散权重核磁共振 (dMRI) 的胎儿通道图的深度学习模型. 新的机器学习方法显著提高了在发育中的胎儿大脑中绘制白质道的准确性.
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.
- 医疗人工智能 医疗人工智能
背景情况:
- 扩散权重磁共振成像 (dMRI) 对于对大脑白质道和结构连接的非侵入性研究至关重要.
- 轨道图学技术重建白质纤维,但主要是为成年大脑开发的,忽略了胎儿应用.
- 由于dMRI信号质量低,大脑结构不成熟以及参考数据有限,胎儿通道图具有挑战性.
研究的目的:
- 介绍第一个机器学习模型,一个深度神经网络,专门设计用于胎儿轨道图.
- 为了克服在发育中的胎儿大脑中绘制白质的独特挑战.
- 推进dMRI研究子宫内大脑发育的能力.
主要方法:
- 开发了一个深度神经网络模型,整合了五个信息来源:纤维方向,传播步骤,全球空间信息,组织细分和基于图谱的先验.
- 使用卷积和注意神经网络模块来编码空间上下文并减轻张量估计错误.
- 应用了解剖学上受约束的曲谱过规则来完善简化重建.
主要成果:
- 该模型在手工精制的胎儿通道图上进行了训练,并在11个独立扫描 (23-36周妊娠年龄) 上进行了验证.
- 拟议的深度学习方法在与现有方法相比,在所有评估的白质谱中表现出卓越的性能.
- 结果表明,胎儿大脑连接映射的准确性和可靠性有了显著的进步.
结论:
- 这种基于深度学习的新胎 tractography 方法代表了神经成像中的重大突破.
- 它为研究妊娠期间正常和异常大脑发育提供了增强的能力.
- 这种方法有望改善我们对早期神经疾病的理解.
