A Deep Generative Model of Neonatal Cortical Surface Development

要約

新生児の皮質表面は早産の影響を受けることが知られており、その後の皮質組織の変化は神経発達の結果の悪化と関連しています。
深層生成モデルは、臨床的に解釈可能な疾患モデルにつながる可能性がありますが、畳み込みフィルターを学習するための確立された手法は非平坦トポロジーでは不適切であるため、皮質表面でこれらを開発することは困難です。
このギャップを埋めるために、混合モデルCNN（MoNet）を使用して表面ベースのCycleGANを実装し、皮質成熟のさまざまな段階間で球状化した新生児皮質表面の特徴（曲率とT1w / T2w皮質ミエリン）を変換します。
結果は、私たちの方法が妊娠後期の皮質組織の個々のパターンの変化を確実に予測できることを示しており、縦断的データとの比較によって検証されています。
訓練された満期/早産分類子との比較を通じて検証された、早産と満期妊娠（妊娠37週以上）の間の外観を翻訳します。
皮質成熟のシミュレートされた違いは、文献の観察と一致しています。

要約(オリジナル)

The neonatal cortical surface is known to be affected by preterm birth, and the subsequent changes to cortical organisation have been associated with poorer neurodevelopmental outcomes. Deep Generative models have the potential to lead to clinically interpretable models of disease, but developing these on the cortical surface is challenging since established techniques for learning convolutional filters are inappropriate on non-flat topologies. To close this gap, we implement a surface-based CycleGAN using mixture model CNNs (MoNet) to translate sphericalised neonatal cortical surface features (curvature and T1w/T2w cortical myelin) between different stages of cortical maturity. Results show our method is able to reliably predict changes in individual patterns of cortical organisation at later stages of gestation, validated by comparison to longitudinal data; and translate appearance between preterm and term gestation (> 37 weeks gestation), validated through comparison with a trained term/preterm classifier. Simulated differences in cortical maturation are consistent with observations in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google