人工智能在使用受约束的球形解卷的皮质脊髓管细分中的人工智能

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:

• 大脑白质谱对于神经外科规划和诊断神经疾病至关重要.
• 受约束的球形解卷 (CSD) 提供了高效和可信的细分为路径学.
• 将CSD技术进行比较对于优化皮质脊髓管 (CST) 分段至关重要.

研究的目的:

• 为了比较两种CSD技术来细分皮质脊髓管 (CST).
• 通过基于地区和自动 (TractSeg) 的方法评估CST细分的相似性和一致性.

主要方法:

• 利用了来自人类连接体项目 (HCP) 的40张扩散权重图像 (DWI) 和12张临床DWI.
• 使用基于兴趣的区域方法和TractSeg神经网络进行了曲谱.
• 量化细分重叠使用Dice相似系数,并评估与类内相关系数的一致性.

主要成果:

• 在两种CST细分方法之间发现了较低的相似性 (Dice指数:HCP 0.479,临床0.404).
• 这两种技术在连续测量中都显示出很高的一致性 (ICC > 0.995).
• 在两种方法之间观察到体积,分数异构性 (FA) 和平均扩散性 (MD) 的显著差异.

结论:

• 这两种CSD技术都提供了一致的CST细分,自动方法显示了更高的整体一致性.
• 适度的相似性和指标差异突出了每个细分方法的独特特征.
• 这些发现强调了在临床和研究应用中基于CSD的曲谱学方法选择的重要性.