通过深度学习从7T多对比MRI合成了髓和铁染色

科学领域:

• 神经成像是一种神经成像.
• 生物标志物发现发现
• 计算神经科学是一种神经科学.

背景情况:

• 铁和髓是神经退行性和脱髓性疾病的关键生物标志物.
• 目前的MRI方法,如R2*和QSM评估铁,但非侵入性髓评估是困难的.
• 组织学作为黄金标准,但是侵入性和ex vivo.

研究的目的:

• 开发一种深度学习模型,从多对比MRI数据中生成体内铁和髓染色图像.
• 为了从非侵入性MRI扫描中获得组织学分辨率.
• 提高对大脑结构和疾病病理学的理解.

主要方法:

• 一个深度学习模型,特别是一个自我注意力生成对抗网络 (GAN),使用从尸体头部获得的多对比MRI数据 (T1w,R2*,QSM) 进行训练.
• 该模型合成了髓和铁染色图像,其分辨率与ex vivo组织学可比.
• 使用第二个尸体头和两个体内MRI数据集来测试概括性.

主要成果:

• 该模型在结合T1w,R2*和QSM MRI对比度时准确预测了髓染色.
• 合成的髓图像改善了随后的铁染色预测.
• 生成的图像显示了组织学细节,区分了白质和灰质髓,并确定了深灰质中的高铁沉积.
• 该模型证明了跨学科的概括性.

结论:

• 深度学习可以有效地将体内多对比MRI数据转化为组织学特征图像.
• 这种方法从体内数据提供了ex vivo组织学见解.
• 该方法具有很大的潜力,可以促进大脑组织学研究和诊断神经系统疾病.