一个新的转移学习框架,用于非统一的导电率估计,在个性化大脑刺激中数据有限
Yoshiki Kubota1, Sachiko Kodera1, Akimasa Hirata1
1Department of Electrical and Mechanical Engineering, Nagoya Institute of Technology, Gokiso-cho, Showa-ku, Nagoya 466-8555, Japan.
Physics in medicine and biology
|April 25, 2025
概括
这项研究引入了一种新的转移学习方法,用于在人类头部模型中准确的非均导电率估计,从而改善跨磁刺激 (TMS) 个性化. 这种方法显著提高了导电率估计的准确性,即使数据有限.
科学领域:
- 医疗成像医学成像
- 计算神经科学是一种神经科学.
- 生物物理学的生物物理.
背景情况:
- 个性化跨磁刺激 (TMS) 需要准确的个性化头部模型.
- 在这些模型中估计非均导电性是具有挑战性的,因为有限的地面真相数据.
研究的目的:
- 开发一种新的转移学习方法,用于在人类头部模型中自动非均导电率估计.
- 用有限的数据来提高导电率估计的准确性,用于个性化的TMS.
主要方法:
- 开发了一种基于转移学习的方法,利用从T1和T2加权MRI中生成的细分模型.
- 将变压器集成到细分模型中,并使用带有剩余连接的注意门进行导电率估计.
- 该方法旨在从小型数据集进行高效的学习.
主要成果:
- 与CondNet.Net相比,提出的方法实现了2.4%的细分精度改善和29.1%的导电率估计精度增加.
- 即使只有三个训练案例,也证明了高导电率估计的准确性,表现优于CondNet.
- 生成的导电性图带来了改进的大脑电场模拟.
结论:
- 开发的方法显著提高了个性化头部模型的导电率估计.
- 这种方法在脑电场模拟中具有很高的实用性,并有可能用于其他医学图像分析任务.
