通过多任务学习通过扩散MRI对胎儿大脑的详细划分
IEEE transactions on medical imaging
|October 9, 2025
概括
研究人员开发了一个计算框架来分析胎儿大脑扩散MRI (dMRI). 这种自动化方法准确地细分大脑组织,白质道和解剖区域,推进胎儿神经成像研究.
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:
- 扩散权重核磁共振 (dMRI) 对于研究子宫内胎儿大脑发育至关重要.
- 目前用于胎儿dMRI分析的计算方法有限,阻碍了研究潜力.
- 对于胎儿神经成像,需要自动化,准确和可重复的分析工具.
研究的目的:
- 开发和验证用于胎儿大脑dMRI分析的统一计算框架.
- 为了实现大脑组织,白质道和解剖区域的自动细分.
- 通过改善通道图和连接性评估来推进胎儿神经成像.
主要方法:
- 开发了一种在97个注释的胎儿大脑上训练的多任务深度学习方法.
- 实现了白质,灰质和脑脊液的自动细分.
- 能够对31个白质区域进行细分,并将其分为96个解剖区域.
主要成果:
- 实现了高精度,平均子相似系数为:0.865 (组织),0.825 (通道) 和0.819 (碎片).
- 在独立的外部数据上验证了该方法,证明了可概括性.
- 该框架成功执行了组织细分,通道细分和区域分片.
结论:
- 开发的计算框架提供胎儿大脑dMRI的准确和可重现的分析.
- 这种方法显著提高了胎儿大脑轨道图和结构连接分析的能力.
- 该框架准备推进胎儿神经成像研究和临床应用领域.
