深度学习和以图谱为基础的MRI细分使得健康小鼠大脑的纵向表征成为可能
Edoardo Micotti1, Liviu Soltuzu1, Elisa Bianchi1
1Department of Neuroscience, Istituto di Ricerche Farmacologiche Mario Negri IRCCS, 20156 Milan, Italy.
Journal of imaging
|November 26, 2025
概括
深度学习为纵向研究中脑磁共振图像 (MRI) 分段的传统方法提供了更快,更可比的替代方案. 这种方法揭示了小鼠的性别依赖的大脑衰老差异.
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.
- 生物医学工程 生物医学工程
背景情况:
- 准确的脑磁共振图像 (MRI) 分段对于纵向研究至关重要.
- 传统的基于图谱的细分方法可能是计算密集的.
- 深度学习为高效的图像分析提供了一个潜在的替代方案.
研究的目的:
- 为了比较深度学习的表现与鼠标脑的纵向核磁共振 (MRI) 的亚特拉斯基于细分的性能.
- 评估深度学习方法的速度和资源效率.
- 通过先进的细分技术,研究老化老鼠大脑的性别依赖性形态变化.
主要方法:
- 来自成年C57Bl6/J小鼠的大脑纵向MRI数据集.
- 深度学习细分与基于图谱的方法的比较.
- 对这两种方法的计算时间和资源需求的分析.
主要成果:
- 深度学习细分实现了与以图谱为基础的方法可比的准确性.
- 深度学习显示了显著更快的处理时间.
- 这两种方法都促进了大规模分析,揭示了老年小鼠的性别依赖的大脑形态差异.
结论:
- 深度学习是一种可行的,高通量工具,用于纵向神经成像分析.
- 这项研究强调了在临床前大脑研究中将性别视为生物变量的重要性.
- 像深度学习这样的高效细分方法可以加速老化大脑研究中的发现.
更多相关视频
09:06Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
Published on: June 9, 2018
12.6K
08:49Whole-Brain Single-Cell Imaging and Analysis of Intact Neonatal Mouse Brains Using MRI, Tissue Clearing, and Light-Sheet Microscopy
Published on: August 1, 2022
4.2K
