FastSurfer-HypVINN:在高分辨率的大脑MRI上对下丘脑和相邻结构进行自动化子细分
Santiago Estrada1,2, David Kügler1, Emad Bahrami1,3
1AI in Medical Imaging, German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany.
Imaging neuroscience (Cambridge, Mass.)
|November 22, 2024
概括
一个新的深度学习工具,HypVINN,在脑MRI扫描中准确而快速地细分下丘脑的子结构. 这种自动化方法提高了神经成像研究的可扩展性和可重现性,为评估下丘脑表现型提供了经过验证的解决方案.
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.
- 放射学 放射学是一门学科.
背景情况:
- 下丘脑调节重要的生理,行为和认知功能.
- 低垂体亚结构的手动细分是劳动密集型的,限制了神经成像研究中的可扩展性和可重现性.
- 现有的自动化方法是有限的,特别是对于高分辨率和多模态MRI数据.
研究的目的:
- 介绍HypVINN,这是一种新的,快速的,完全自动化的深度学习方法,用于对下丘脑和相邻结构进行细分.
- 为满足对高分辨率 (0.8毫米同otropic) T1w和T2w脑MRI扫描适用的自动化细分工具的需求.
- 为了提供一个强大的和可扩展的解决方案,用于评估图像衍生的下丘脑的表型.
主要方法:
- 开发一个深度学习模型 (HypVINN) 用于自动化下丘脑亚细分.
- 使用细分精度的验证,跨数据集的概括性 (莱研究,英国生物银行) 和测试-重新测试可靠性.
- 测试对缺失的MRI模式 (T1w和T2w) 和灵活的输入分辨率的稳定性.
- 与最先进的方法进行性能比较.
主要成果:
- 在独立的T1w和T1w/T2w图像对上,HypVINN实现了高细分性能.
- 该方法证明了对具有不同获取参数和人口统计数据的独立数据集的优异通用性.
- 细分精度达到或超过当前最先进的方法,即使具有灵活的输入能力.
- 在GPU上,HypVINN在不到一分钟的时间内执行细分,为速度提供了显著的改进.
结论:
- HypVINN 提供了一个经过验证的,高效的,可扩展的,用于下丘脑子细分的自动化解决方案.
- 该工具增强了在大规模神经成像研究中对下丘脑结构和功能的研究.
- 开源FastSurfer套件中的可用性促进了广泛的采用和可重复性.
