高分辨率的自动深度学习细分7特斯拉死后MRI用于定量分析神经退行性疾病中的结构-病理相关性

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.
• 医学图像分析 医学图像分析

背景情况:

• 自动对 postmortem MRI脑部数据进行细分是具有挑战性的,原因是有限的数据集和扫描仪的可变性.
• 高分辨率成像对于详细的形态分析和将大脑结构与病理学联系起来至关重要.
• 现有的方法对于各种死后脑成像协议缺乏稳定性.

研究的目的:

• 开发和验证一种深度学习管道,用于在高分辨率的死后MRI中对人类大脑进行自动细分.
• 创建一个全面的,高分辨率的数据集死后人类大脑样本的研究.
• 在阿尔茨海默病中调查大脑形态测量和神经病理学之间的关联.

主要方法:

• 一个数据集由135个死后人类大脑样本采集,使用7TMRI以0.3mm3的同otropic分辨率获取.
• 开发了一个深度学习管道,对九个架构进行基准测试,用于用拓校正进行皮质地幔细分.
• 使用重叠指标和皮质厚度的类内相关性来评估管道的可靠性.

主要成果:

• 深度学习管道证明了皮层地幔和皮下结构的可靠细分.
• 该方法在不同的分辨率和MRI序列 (T2w,T2*w FLASH) 中显示了通用性.
• 在阿尔茨海默病连续病例中,发现了局部皮层厚度,体积测量和神经病理评级之间的关联.

结论:

• 开发的深度学习管道为高分辨率的死后MRI中自动化大脑细分提供了强大的解决方案.
• 创建的数据集和开源工具有助于进一步研究神经解剖学和神经病理学.
• 这种方法使得与疾病状态相关的详细形态分析成为可能,进步了我们对神经退行性疾病的理解.