使用无监督深度学习识别罕见的皮质折叠模式

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 皮层折叠模式是个体特有的,但遵循一般的物种特定组织.
• 由于高度的个体间变异性,难以识别罕见的折叠模式,但有些与神经发育障碍有关.
• 识别罕见的折叠模式可能会导致新的生物标志物用于诊断和理解大脑发育.

研究的目的:

• 开发和验证一种新的无监督深度学习方法,用于识别罕见的皮质折叠模式.
• 评估该方法检测折叠形态学偏差的能力.
• 评估拟议技术的通用性和临床相关性.

主要方法:

• 预处理大脑MRI图像以专注于折叠形态.
• 训练β变量自编码器 (β-VAE) 对个体间折叠变量的训练,以识别异常值.
• 使用合成数据和现实世界的案例,比较隐性空间的检测能力和重建错误.

主要成果:

• β-VAE有效地编码了相关的折叠特征,可以通过其生成功率来解释.
• 潜在空间和重建错误为识别各种罕见模式提供了补充信息.
• 该方法在不同大脑区域和数据集中展示了概括性,在患者中显示出有希望的结果.

结论:

• 提出的深度学习方法成功地识别了罕见的皮质折叠模式,并量化了偏差.
• 这种方法有可能发现神经发育障碍和其他神经疾病的新生物标志物.
• 该技术在临床应用方面显示出前途,特别是在耐药性患者中识别模式.