通过多任务学习通过扩散MRI对胎儿大脑的详细划分

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数据的分析受到低质量的数据和缺乏自动化,可靠的计算方法的限制.
• 这阻碍了dMRI在理解神经发育过程中的全部潜力.

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.
• 为了实现胎儿大脑结构的自动,准确和可重现的细分和分片.
• 为了克服目前胎儿神经影像分析方法的局限性.

主要方法:

• 为三个关键任务开发了一个计算框架:大脑组织细分,白质管道细分和大脑分片.
• 使用了97个胎儿大脑的手动,半自动和自动注释.
• 采用多任务深度学习方法,在注释数据上训练计算.

主要成果:

• 该框架在所有三个任务中都取得了高准确性:组织细分的平均Dise相似系数为0.865,白质管道细分为0.825,分片为0.819.
• 证明了该方法对复杂胎儿大脑结构的准确和可重复分析的能力.
• 在97个胎儿大脑的数据集上验证了计算框架.

结论:

• 开发的计算框架显著推进了胎儿神经图像分析.
• 它可以实现准确的细分和分片,这对于改善胎儿大脑轨道图和结构连接性评估至关重要.
• 这项工作通过使用dMRI更深入地了解胎儿正常和异常大脑发育.