在解剖学追踪数据中进行纤维束的自我监督细分和表征
Vaanathi Sundaresan1, Julia F Lehman2, Chiara Maffei3
1Department of Computational and Data Sciences, Indian Institute of Science, Bengaluru, India.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
我们开发了一种深度学习方法,可以在组织学图像中自动分割大脑纤维束,加速分析并提高神经成像研究的准确性. 这种方法有助于理解大脑连接,并验证扩散核磁共振图谱.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 解剖学追踪对于绘制大脑连接和验证扩散核磁共振图谱至关重要.
- 在组织学段中手动绘制纤维轨迹图是耗时的,限制了可用于验证的数据.
- 现有的方法在跟踪器数据中的强度变化和空间扭曲等工件上扎.
研究的目的:
- 开发一种计算机辅助的细分方法,以加快在组织学部分中对脑纤维捆绑的分析.
- 创建一个强大的深度学习方法,可以处理跟踪器数据中的常见文物,并且在有限的训练数据中表现良好.
- 使用半监督学习和连续性约束来提高光纤捆绑细分的准确性.
主要方法:
- 提出了一种新的深度学习方法,具有自我监督的损失函数,用于对猿大脑组织学部分的纤维束进行细分.
- 采用半监督训练技术来利用未标记的数据,解决手动标记部分的稀缺问题.
- 整合了解剖学和横截面连续性约束,以提高细分精度.
主要成果:
- 在对单个病例进行培训后,该方法在细分不同病例的未见部分时,实现了大约0.80的真实阳性率.
- 通过量化不同白质途径的纤维捆密度来证明该方法的实用性.
- 揭示了不同密度的纤维束起源于相同的注射部位,因为它们穿过不同的途径.
结论:
- 开发的深度学习方法从组织学数据显著加快了脑纤维捆的细分.
- 对不同纤维束密度的发现对开发微观结构信息的曲谱学方法有意义.
- 该方法为神经科学家研究大脑连接和验证成像技术提供了宝贵的工具.
