Age Prediction Performance Varies Across Deep, Superficial, and Cerebellar White Matter Connections

要約

脳の白質 (WM) は、人間の生涯にわたって発達と変性のプロセスを経ます。
WM の解剖学的領域と年齢の関係を調べるために、深部、表層、および小脳の WM の線維クラスターに細かく分割された拡散磁気共鳴画像法によるトラクトグラフィーを研究しています。
私たちは、大規模な畳み込みカーネルと逆ボトルネックを活用した深層学習ベースの年齢予測モデルを提案します。
新しい離散多面混合データ拡張と、予想範囲内での年齢予測を促す新しい事前知識ベースの損失関数を使用して、パフォーマンスを向上させます。
私たちは、ヒューマン コネクトーム プロジェクト (HCP) から得られた 965 人の健康な若者 (22 ～ 37 歳) のデータセットを研究します。
実験結果は、提案されたモデルが 2.59 年の平均絶対誤差を達成し、比較された方法よりも優れていることを示しています。
このコホートでは、深部WMが年齢予測に最も有益であるのに対し、表層WMは最も有益でないことがわかりました。
全体として、最も予測性の高い WM 路は、深部 WM からの視床前頭路と、小脳 WM からの小脳内入力およびプルキンエ路です。

要約(オリジナル)

The brain’s white matter (WM) undergoes developmental and degenerative processes during the human lifespan. To investigate the relationship between WM anatomical regions and age, we study diffusion magnetic resonance imaging tractography that is finely parcellated into fiber clusters in the deep, superficial, and cerebellar WM. We propose a deep-learning-based age prediction model that leverages large convolutional kernels and inverted bottlenecks. We improve performance using novel discrete multi-faceted mix data augmentation and a novel prior-knowledge-based loss function that encourages age predictions in the expected range. We study a dataset of 965 healthy young adults (22-37 years) derived from the Human Connectome Project (HCP). Experimental results demonstrate that the proposed model achieves a mean absolute error of 2.59 years and outperforms compared methods. We find that the deep WM is the most informative for age prediction in this cohort, while the superficial WM is the least informative. Overall, the most predictive WM tracts are the thalamo-frontal tract from the deep WM and the intracerebellar input and Purkinje tract from the cerebellar WM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google