BrainTract:使用混合卷积神经网络对白质纤维路谱进行细分,并分析结构连接
Puranam Revanth Kumar1, B Shilpa2, Rajesh Kumar Jha3
1Department of Electronics and Communication Engineering, Faculty of Science and Technology (IcfaiTech), ICFAI Foundation for Higher Education, Hyderabad, India; Department of Artificial Intelligence and Machine Learning, School of Engineering, Malla Reddy University, Hyderabad, India.
Neuroscience
|June 21, 2025
概括
这项研究引入了一种新的深度学习模型,即DISAU-Net,用于使用扩散MRI对白质道进行细分. 改进后的模型在绘制大脑连接的地图上取得了很高的准确性.
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:
- 扩散磁共振成像 (dMRI) 能够非侵入性地重建大脑白质 (WM) 区域.
- 卷积神经网络 (CNN),特别是U-Net架构,已经提高了医疗图像细分的准确性.
- 精确细分WM通道对于理解大脑结构连接至关重要.
研究的目的:
- 提出一种新的基于元启发优化算法的CNN架构,用于增强WM光纤通道细分.
- 使用拟议的细分方法分析大脑结构连接.
- 与现有方法相比,提高WM路段细分的效率和准确性.
主要方法:
- 开发了一个空间注意力U-Net (SAU-Net) 架构,集成了Inception-ResNet-V2和Dense-Inception模块 (DISAU-Net).
- 集成下采样和上采样块以优化功能地图处理.
- 利用灰狼优化 (GWO) 技术在分类器中随机参数选择,以提高CNN的性能.
主要成果:
- DISAU-Net模型在280名人类结合体项目对象的dMRI扫描中取得了高性能.
- 实现了97.10%的细分精度,96.88%的Dice得分,95.74%的召回率和94.79%的F1得分.
- 与当前方法相比,证明了更高的效率和通道细分的一致性.
结论:
- 拟议的DISAU-Net方法提供了一个潜在的方法,用于精确细分WM光纤道.
- 这种技术有助于对大脑结构连接的强有力的分析.
- 将元启发式优化与先进的CNN架构集成在神经成像分析中显示出显著的前景.
