DeepNuParc:使用扩散核磁共振图进行细度分类的新型深度聚类框架
Haolin He1, Ce Zhu2, Le Zhang2
1University of Electronic Science and Technology of China, Chengdu, China; The Chinese University of Hong Kong, Hong Kong Special Administrative Region of China.
NeuroImage
|September 3, 2025
概括
DeepNuParc使用扩散核磁共振和深度学习自动化细度大脑核分片. 这种方法揭示了像桃体和丘脑这样的结构中的详细细分,改善了解剖学的理解.
科学领域:
- 神经成像
- 计算神经科学
- 机器学习
背景情况:
- 大脑核对于神经电路的功能至关重要.
- 了解它们的细微分类对于绘制大脑解剖学和功能至关重要.
- 扩散核磁共振扫描为研究大脑结构提供了白质连接的洞察力.
研究的目的:
- 为了展示DeepNuParc, 这是一个深度集群管道,
- 为了利用扩散式核磁共振扫描揭示大脑核分支的地形.
- 增强对大脑核内解剖功能相关性的理解.
主要方法:
- 在扩散MRI数据上开发了深度学习方法来准确细分核.
- 设计了一种基于流程集群的结构连接功能,用于voxel表示.
- 改进了联合维度缩小和k-means集群,用于更细的核分片.
主要成果:
- 在桃体和丘脑上显示了DeepNuParc, 已知复杂的细分.
- 实现了对不同受试者的核的一致分离.
- 显示了DeepNuParc结果与已建立的粗放图谱之间的良好对应.
结论:
- DeepNuParc提供了一种有效的自动化方法,
- 这条管道增强了关键大脑结构的详细解剖绘图.
- 这种方法有助于更深入地了解神经电路的组织和功能.
