具有转移学习的三维U-Net可以从老鼠,小鼠和子的MRI脑部扫描中改善自动整脑划分
Valerie A Porter1, Brad A Hobson2, Alita J D'Almeida1
1Department of Biomedical Engineering, University of California, Davis, One Shields Ave, Davis, CA, USA; Department of Radiology, University of California, Davis, One Shields Ave, Davis, CA, USA.
Computers in biology and medicine
|June 21, 2025
概括
转移学习 (TL) 使用3D U-Net模型预先训练有机中毒 (OPI) 鼠脑MRI扫描显著改善了在各种临床前模型中全脑划分 (WBD) 的准确性. 这种方法使用较少的培训数据实现了与疾病特异性网络相似的结果.
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:
- 由于动物模型,MRI扫描仪和组织对比的差异,自动全脑划分 (WBD) 在临床前研究中面临普遍化的挑战.
- 为WBD开发了一个3D U-Net神经网络,并对老鼠脑部MRI扫描器官酸盐中毒 (OPI) 进行了预训练.
- 转移学习 (TL) 被用来适应其他动物模型的OPI预训练网络,包括阿尔茨海默病 (AD) 的老鼠模型,TETS中毒和titi子.
研究的目的:
- 在各种临床前模型中评估预训练3D U-Net模型对全脑划分 (WBD) 的有效性.
- 评估直接应用,转移学习 (TL) 和针对WBD的特定疾病培训的表现.
- 优化训练数据集大小 (TDS) 并比较不同WBD方法的准确性.
主要方法:
- 在三个条件下测试了一种有机中毒 (OPI) 预训练的3D U-Net:直接应用,转移学习 (TL) 和疾病特异性培训.
- 训练数据集大小 (TDS) 为每个条件和模型进行了优化.
- 输出全脑划分 (WBDs) 在量上与使用子系数 (DC) 和豪斯多夫距离 (HD) 的手动细分进行了比较.
主要成果:
- 经过OPI预训练的3D U-Net在OPI数据集上实现了高精度 (DC=0.987,HD=0.86mm).
- 转移学习 (TL) 显著改善了所有测试模型 (AD,TETS,Titi子) 的概括性,培训数据需求减少 (TDS ≤40).
- TL的表现与阿尔茨海默病 (AD) 的疾病特异性U-Net模型,TETS中毒和Titi子模型相似.
结论:
- 在OPI预训练的3D U-Net与转移学习 (TL) 结合,在各种临床前MRI研究中,为全脑划分 (WBD) 提供了准确且数据效率高的解决方案.
- 这种方法表现出与疾病特异模型相比的准确性,同时需要少得多的培训数据.
- 未来的研究将专注于开发一个多区域划分管道,用于临床前大脑MRI数据,基于拟议的WBD方法.
