鼠标大脑提取器:使用全球定位编码和SwinUNETRR进行鼠标MRI的大脑细分
Yeun Kim1, Haley Hrncir1, Cassandra E Meyer1
1Ahmanson-Lovelace Brain Mapping Center, Dept. of Neurology, David Geffen School of Medicine at UCLA, Los Angeles, California 90095, USA.
bioRxiv : the preprint server for biology
|September 16, 2024
概括
一种新的深度学习方法,鼠标大脑提取器,在MRI扫描中准确地分割鼠标大脑. 这种方法使用全球定位编码 (GPE) 来提高各种数据集的准确性,优于现有的方法.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 生物医学图像分析
背景情况:
- 在人类MRI中自动提取大脑是先进的,但对小鼠模型来说具有挑战性.
- 鼠标大脑的手动细分是劳动密集型的,并引入了变异性.
- 准确的自动化大脑细分对于研究神经系统疾病的小鼠模型至关重要.
研究的目的:
- 开发一种强大的深度学习方法,从MRI中自动提取小鼠大脑.
- 为了提高细分精度和减少手动校正需求.
- 为应对异构小鼠MRI数据集中的尺度差异所带来的挑战.
主要方法:
- 适应的SwinUNETR架构与全球定位编码 (GPE) 为增强的空间信息.
- 在223个老鼠MRI扫描 (体内和体外) 的各种数据集上训练和测试了老鼠大脑提取器.
- 与七种传统的动物大脑提取方法和最先进的深度学习模型 (nnU-Net,SwinUNETR) 的性能比较.
主要成果:
- 实现了高精度,平均子得分为0.98,HD95测量大约100微米,与手动细分相比.
- 在统计分析中显著超过传统方法.
- 在异质数据集上表现与nnU-Net和SwinUNETR相当或比它们更好.
结论:
- 全球定位编码 (GPE) 有效地增强了上下文信息,以改善小鼠大脑的细分.
- 鼠标大脑提取器提供了一种具有竞争力和准确的解决方案,用于在各种鼠标MRI数据中自动提取大脑.
- 这种方法有可能通过减少手动细分工作来加速使用大脑疾病小鼠模型的研究.
