通过机器学习,简化胎儿大脑在子宫中的轨道图

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.
• 发育神经科学的发展神经科学.

背景情况:

• 扩散权重磁共振成像 (dMRI) 对于非侵入性大脑白质管道分析至关重要.
• 胎儿通道图,对于研究子宫内大脑发育至关重要,由于信号质量低和大脑结构不成熟,具有挑战性.
• 现有的通道图法方法一直专注于成年人的大脑,忽视了胎儿神经图像的独特复杂性.

研究的目的:

• 开发和验证基于机器学习的深度神经网络模型,用于准确的胎儿大脑轨道图.
• 为了应对低dMRI信号质量和发展胎儿大脑解剖学的特定挑战.
• 提高胎儿发育期间结构性大脑连接的非侵入性研究.

主要方法:

• 一个深度神经网络模型,整合了五个信息来源:纤维方向,传播历史,空间信息,组织细分和图谱先验.
• 利用卷积和注意神经网络模块来编码空间上下文并减轻张量估计错误.
• 应用了解剖学上受约束的曲谱学过规则,以完善简化重建.

主要成果:

• 拟议的深度学习模型在所有评估的胎儿大脑区域中,在重建白质道方面表现出卓越的性能.
• 在独立数据集上的验证显示了在各种妊娠年龄 (2336周) 中的高准确性和概括性.
• 定性评估证实了该方法在开发人类结合体项目的数据上的有效性.

结论:

• 这种新的机器学习方法显著提升了胎儿轨道图的能力.
• 这种方法为研究子宫内正常和异常大脑发育提供了一个强大的工具.
• 改善的胎儿轨道图将促进对早期神经发育过程的更深入的理解.