机器学习用于在人类大脑中通过穆勒矩阵极度测量数据对白质纤维通道的可视化

科学领域:

• 神经科学是一个神经科学.
• 生物医学光学 生物医学光学
• 医疗成像医学成像

背景情况:

• 在手术期间,精确地区分脑瘤和健康组织对于最大限度的瘤切除和神经功能保存至关重要.
• 现有的组织分化的方法往往面临成本,速度和精度的限制.
• 大脑白质表现出光学异构,原因是与瘤细胞的混乱生长不同,质轴突对齐.

研究的目的:

• 调查穆勒极度成像技术在区分大脑瘤与健康白质中的潜力.
• 开发和验证自动化脑纤维跟踪算法,使用用于神经外科应用的极度测量数据.

主要方法:

• 采用广场可见波长成像的穆勒极度测量系统,在反射模式下分析甲固定的人类大脑部分.
• 穆勒矩阵的非线性分解产生了脱极化,标量阻滞和光轴光心的地图.
• 经典的计算机视觉和机器学习算法,包括卷积神经网络,用于自动识别白质和纤维跟踪.

主要成果:

• 从极度测量数据中得出的光轴 азимут与大脑纤维通道的方向之间建立了强烈的相关性,由组织学证实.
• 开发的机器学习方法成功识别了白质,并可视化了表面纤维区域.
• 穆勒极度成像显示了它能够根据光学特性区分组织类型的能力.

结论:

• 穆勒极度成像为神经外科手术期间实时组织特征提供了一个有希望的非侵入性方法.
• 机器学习算法的集成使白质道的自动可视化成为可能,有助于外科导航.
• 这种方法有可能提高手术精度,通过节省关键结构来改善患者的治疗结果,并增加瘤切除的完整性.