深度学习驱动的MRI用于神经退行性疾病的小鼠模型中准确的大脑体积

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 临床前研究 临床前研究

背景情况:

• 脑缩是阿尔茨海默氏症和多发性硬化等疾病中神经退行的一个关键指标.
• 在小鼠模型中,高分辨率的MRI非常重要,但由于大脑的大小小小,在技术上具有挑战性.
• 在体内MRI的麻醉限制了获取速度和分辨率.

研究的目的:

• 开发和验证一种深度学习细分方法,用于快速,高分辨率的小鼠体内大脑体积.
• 评估人工智能方法在各种神经退行性模型中的可复制性和适用性.
• 提高临床前神经成像研究的效率和动物福利.

主要方法:

• 应用深度学习细分算法对T2加权的7T核磁共振扫描.
• 在4.3分钟内获取小鼠大脑图像,其voxel体积为78x78x250μm3.
• 在健康小鼠中验证并随后应用于ALS,脱髓化和MS的模型.

主要成果:

• 人工智能方法实现了对大脑和亚区域总体 (海马,尾状皮质,小脑) 的可靠量化.
• 细分管道在健康和疾病模型中显示出高可重复性.
• 显著减少了MRI采集时间,提高了动物福利.

结论:

• 这种基于人工智能的方法为在临床前小鼠研究中的体内大脑体积测量提供了强大而高效的解决方案.
• 这一进步有助于评估神经退行过程和治疗干预措施.
• 缩短的获取时间允许将体积测量无整合到更广泛的临床前分析中.