使用转移学习进行脑MRI微结构的非参数预测.

科学领域:

• 神经成像是一种神经成像.
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 磁共振成像 (MRI) 对组织微观结构敏感.
• 传统的生物物理模型使用简化的脑组织表示.
• 机器学习 (ML) 为微结构特征提取提供了一种数据驱动的方法.

研究的目的:

• 开发一种新的ML方法,使用MRI可靠地估计大脑组织的微观结构.
• 在ML模型培训中,尽量减少对对对MRI-组织学数据集的要求.
• 从MRI数据中预测g比和轴突直径的非参数化关节分布.

主要方法:

• 在从未配对的组织学和MRI物理生成的合成MRI数据上预训练条件正常化流量模型.
• 利用转移学习来微调模型与实验性MRI/电子显微镜 (EM) 数据.
• 通过细分,特征提取和MRI模拟器生成合成MRI数据.

主要成果:

• 实现了对轴突直径和g比的预测和EM基准真实组图之间的密切一致.
• 与生物物理模型匹配相比,证明高达4%的平均百分比误差降低.
• 在肌重塑发作后,在小鼠的g比率预测中显示出显著的差异.

结论:

• 对合成MRI数据的预训练与转移学习相结合,有效地解决了对MRI/组织学数据的稀缺问题.
• 这种方法可以准确地预测微结构特征,促进了基于MRI的微结构分析基础模型的开发.
• 该方法对神经科学研究的应用有希望,包括对神经系统疾病的研究.