脑虚拟组织学和体积测量物种 (Podarcis bocagei) 使用X射线微断层扫描和深度学习细分
Tunhe Zhou1, Yulia Dragunova1,2,3, Zegni Triki4,5
1SUBIC, Stockholm University, Stockholm, Sweden.
PeerJ
|September 12, 2025
概括
研究人员开发了一种高效的X射线微CT和深度学习方法来测量的大脑体积. 这种技术显著减少了分析时间,使得对野生动物的大脑结构和行为的研究更快.
科学领域:
- 进行比较的神经解剖学.
- 生物成像技术的使用.
- 计算生物学是一种计算生物学.
背景情况:
- 了解大脑结构的个体变异对于将其与行为和环境因素联系起来至关重要.
- 研究野生动物的大脑带来了后勤挑战,包括小样本大小和耗时的方法.
- 精确的大脑区域体积对于神经解剖学研究至关重要.
研究的目的:
- 开发一种高效准确的方法来估计野生动物的大脑区域的体积.
- 为了验证深度学习用于用有限的样本大小进行大脑细分的使用.
- 为X射线微断层扫描和大脑的3D细分提供一个全面的协议.
主要方法:
- 利用X射线微观断层扫描进行大脑的高分辨率成像.
- 应用了深度学习细分来自动划分六个主要的大脑区域 (嗅觉球,电脑,大脑,中脑,小脑,大脑干).
- 开发和训练一个深度学习模型,使用一个小的数据集 (只有五个样本) 进行高效的细分.
主要成果:
- 深度学习模型在Podarcis bocagei的六个关键大脑区域中实现了准确的体积估计.
- 一个训练有素的深度学习网络只需要五个样本才能进行有效的开发.
- 组合方法将29个脑样本的手动细分时间从几个月减少到几周.
结论:
- 开发的X射线微CT和深度学习方法为野生动物的大脑体积提供了高效和准确的解决方案.
- 这种方法显著加速了研究,使得研究大脑结构-行为关系与更大的样本大小成为可能.
- 该协议和研究结果为动物行为,生理学,生物医学研究和计算机科学研究人员提供了宝贵的资源.
