DeepSeg:一种转移学习细分工具,用于对非人类灵长类动物MRI有限样本的训练
概括
一个U-Net模型DeepSeg自动化了非人类灵长类动物 (NHPs) 的磁共振成像 (MRI) 组织细分. 这种转移学习方法显示了NHP大脑和头部模型的有希望的结果,优于传统方法.
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.
- 生物医学工程 生物医学工程
背景情况:
- 在非人类灵长类动物 (NHP) 磁共振成像 (MRI) 中,精确的组织细分对于脑刺激中头部模型的发展至关重要.
- 由于有限的样本大小,站点可变性和NHP数据集中的图像质量不足,自动化这一过程具有挑战性.
研究的目的:
- 开发一个自动化组织细分工具,DeepSeg,利用U-Net模型和转移学习NHPMRI数据.
- 评估在人类数据上训练的DeepSeg模型的性能,并将其转移到的样本上.
主要方法:
- 利用转移学习框架来提取大脑.
- 在一个大型的人类数据集上开发和训练了两个DeepSeg U-Net模型 (大脑组织和全脑).
- 将训练有素的模型转移到细分有限的子MRI样本,并将性能与传统的模板驱动方法 (ANTs) 进行比较.
主要成果:
- 在样本上,DeepSeg表现出良好的细分性能,在多个地点的数据上有希望的结果 (全头子系数:0.72 ± 0.17在场外样本).
- 转移的大脑组织模型的表现优于白色和灰色物质的ANTT细分 (白色物质子:0.90 ± 0.04对比0.85 ± 0.03).
结论:
- DeepSeg是NHPMRI数据中自动组织细分的有希望的工具,即使训练样本有限.
- 转移学习提供了一种可行的解决方案,以克服NHP神经成像细分方面的挑战.
- 需要进行进一步的研究,以提高DeepSeg模型在不同NHP数据集和站点的普遍性.
