用新型微观结构信息监督的对比学习对视觉途径进行基于轨迹图的自动识别
Sipei Li1,2, Wei Zhang1, Shun Yao3,4
1School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Human brain mapping
|November 20, 2024
概括
DeepRGVP是一个新的深度学习框架,从扩散MRI通道图中准确识别了视网膜形成视觉通路 (RGVP). 这种自动化方法克服了手动选择的局限性,为大脑疾病研究提供了更快,更可靠的可视化.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 视网膜生殖视觉通路 (RGVP) 将视觉信息从视网膜传输到侧面生殖细胞核.
- 准确的RGVP映射对于理解视觉系统解剖学和治疗相关神经系统疾病至关重要.
- 目前在扩散MRI (dMRI) 路径学中手动精简选择是劳动密集型的,容易变化.
研究的目的:
- 引入DeepRGVP,这是一个深度学习框架,用于自动和精确地从dMRI轨道图数据中识别RGVP.
- 开发一种基于微观结构的新型监督对比学习方法,以加强简化分类.
- 通过精简级数据增强来解决轨道图数据集中的数据不平衡问题.
主要方法:
- 开发了DeepRGVP,这是一个使用微结构信息监督对比学习的深度学习框架.
- 实施了一种新的精简级数据增强技术,以处理不平衡的RGVP数据.
- 将DeepRGVP与最先进的通道图片分片方法进行比较,并根据患有垂体瘤的患者数据进行评估.
主要成果:
- 与现有的深度学习方法相比,DeepRGVP在识别RGVP方面表现出卓越的准确性和F1分数.
- 该框架在患者数据中成功识别了RGVPs,即使存在影响路径的病变.
- 与最先进的方法相比,实现了显著更高的准确性和F1分数.
结论:
- DeepRGVP提供了一个快速,准确和自动化的解决方案,用于从dMRI通道图中识别RGVP.
- 拟议的深度学习方法在视觉系统研究和疾病管理中具有很高的临床应用潜力.
- 使用深度学习的自动RGVP识别可以降低专家劳动力成本和观察者之间的变化.
