通过多任务学习通过扩散MRI对胎儿大脑的详细划分
Davood Karimi1, Camilo Calixto1,2, Haykel Snoussi1
1Boston Children's Hospital and Harvard Medical School, Boston, MA.
bioRxiv : the preprint server for biology
|September 11, 2024
概括
研究人员开发了一个计算框架来分析胎儿大脑扩散MRI (dMRI). 这种自动化方法准确地细分大脑组织,白质道和皮层/皮下区域,推进胎儿神经成像研究.
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.
- 发育神经科学的发展神经科学.
背景情况:
- 扩散权重核磁共振 (dMRI) 对于研究子宫内胎儿大脑发育至关重要.
- 目前对胎儿dMRI数据的分析受到低数据质量和缺乏自动化计算方法的限制.
- 现有的局限性阻碍了dMRI在胎儿神经发育的医学和科学应用中的全部潜力.
研究的目的:
- 开发和验证用于分析胎儿大脑dMRI数据的统一计算框架.
- 为了实现发育中的胎儿大脑的自动,准确和可重现的细分和分片.
- 克服目前分析dMRI数据的局限性,以更好地了解神经发育过程.
主要方法:
- 开发用于脑组织细分的计算框架 (白质,灰质,CSF).
- 实施白质管道细分 (31个不同的管道) 和大脑分片 (96个区域).
- 利用97个胎儿大脑的手动,半自动和自动注释,训练一个多任务深度学习模型.
主要成果:
- 开发的框架在所有三个任务中都取得了高精度:组织细分 (Dice 0.865),白质管道细分 (Dice 0.825) 和分片 (Dice 0.819).
- 多任务深度学习方法在不同的细分和分片任务中表现出强的性能.
- 在97个胎儿大脑上的验证证实了该方法的可靠性和准确性.
结论:
- 拟议的计算框架显著推进了胎儿神经成像分析.
- 这种方法为胎儿大脑通道图,通道特定分析和结构连接性评估提供了实质性的改进.
- 现在可以对胎儿dMRI数据进行自动和准确的分析,从而开辟了新的研究途径.
