深度学习皮质层注册以结构和扩散MRI和连接性为指导
Zhen Zhou1, Jian Li1, Jonathan Williams1
1Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School, Boston, Massachusetts, USA.
bioRxiv : the preprint server for biology
|November 24, 2025
概括
我们开发了一种深度学习方法,将白质连接整合到神经成像注册中. 与现有方法相比,这种新的方法显著改善了大脑分析中的功能对齐.
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.
- 机器学习 机器学习
背景情况:
- 准确的皮质表面注册对于小组神经成像研究至关重要.
- 现有的基于几何学的方法在与个体间的变异性作斗争,导致次优功能对齐.
- 弥合结构性和功能性大脑组织之间的差距仍然是一个挑战.
研究的目的:
- 引入一种新的深度学习方法,以改善皮质表面注册.
- 将白物质的结构连接性纳入基于表面的联合注册和图谱建设 (JOSA) 框架.
- 通过利用多式联络数据,提高神经成像分析中的功能对齐.
主要方法:
- 开发了一种深度学习方法 (JOSAConn) 结合dMRI通道图学衍生的白质连接.
- 使用流线-表面交叉点和散热光滑生成顶点智能连接地图.
- 结合连接特征与扩散指标 (FA,ADC) 和结构数据作为JOSA的输入.
主要成果:
- 在HCP-YA受试者中,JOSAConn在15个任务对比度 (p <0.001对12个对比度) 的功能对齐方面明显优于FreeSurfer.
- 通过整合结构连接与几何信息来证明卓越的功能对齐.
- 在一大数据集上验证了该方法的有效性,具有不同的任务对比.
结论:
- 结构连接有效地弥合了皮质几何和功能组织之间的差距.
- 多式联机深度学习方法提高神经成像注册的准确性和功能对齐.
- 这种方法在先进的神经成像分析中保持了临床适用性.
