应用到动物大脑MRI数据细分的深度学习在完整的大脑地图上表现得更好

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 临床前研究 临床前研究

背景情况:

• 动物大脑MRI的自动细分对于药物开发至关重要,但受到图像质量和工具的限制.
• 现有的方法在解剖学对比度和注册方面扎,阻碍了定量分析.

研究的目的:

• 开发一种强大的深度学习方法,将大鼠大脑MRI细分为多个感兴趣的区域.
• 评估训练神经网络的可行性,使用廉价的基于注册的标签来对大规模数据集进行训练.
• 评估不同的深度学习架构,以评估它们在细分大鼠大脑中的表现,其中包括基因型和大小的变化.

主要方法:

• 在超过1万次大鼠大脑MRI扫描中训练了三个深度学习模型 (U-Net,Attention-U-Net,DeepLab).
• 使用基于注册的标签,比手工注释更便宜,用于模型培训.
• 将大脑细分为29个和58个预定义区域的模型性能进行比较,评估对输入变化的稳定性.

主要成果:

• 所有测试的模型都成功地将老鼠大脑分为多个区域,而注意力-U-Net显示出最佳性能.
• 深度学习模型有效地减少了来自不完美的培训标签的噪音,产生了更平滑,更对称的细分.
• 与基于登记的标签相比,这些模型显示了对动物品种和大小的变化有更好的稳定性.

结论:

• 深度学习可以在高通量临床前成像中实现准确高效的大脑细分.
• 开发的方法克服了对昂贵的专家生成标签的需求,促进了大规模的定量分析.
• 管道的不确定性估计和可解释性特征对于质量保证和在临床前研究中检测异常至关重要.