Nonhuman Primate Brain Tissue Segmentation Using a Transfer Learning Approach

要約

非ヒト霊長類（NHP）は、人間との密接な進化的関係により、人間の脳機能と神経障害を理解するための重要なモデルとして機能します。
NHPにおける正確な脳組織のセグメンテーションは、神経障害を理解するために重要ですが、注釈付きNHP脳MRIデータセットの希少性、NHP脳の小さなサイズ、利用可能なイメージングデータの限られた解像度、および人間とNHP脳の解剖学的違いのために挑戦的です。
これらの課題に対処するために、特にトレーニングデータが制限されている場合、NHP脳MRIのセグメンテーション精度を強化するために、ヒト脳MRIデータから転送された知識を活用するために、転送学習を備えたSTU-NETを利用する新しいアプローチを提案します。
STU-NETと転送学習の組み合わせは、複雑な組織の境界を効果的に描写し、NHP脳に固有の細かい解剖学的詳細をキャプチャします。
特に、私たちの方法は、限られた空間分解能と組織コントラストで解決するのに挑戦している被殻や視床などの小さな皮質構造のセグメント化の改善を実証し、0.88を超えるDSC、7未満のHD95を達成しました。
人間の健康に関連する神経障害の前臨床研究。

要約(オリジナル)

Non-human primates (NHPs) serve as critical models for understanding human brain function and neurological disorders due to their close evolutionary relationship with humans. Accurate brain tissue segmentation in NHPs is critical for understanding neurological disorders, but challenging due to the scarcity of annotated NHP brain MRI datasets, the small size of the NHP brain, the limited resolution of available imaging data and the anatomical differences between human and NHP brains. To address these challenges, we propose a novel approach utilizing STU-Net with transfer learning to leverage knowledge transferred from human brain MRI data to enhance segmentation accuracy in the NHP brain MRI, particularly when training data is limited. The combination of STU-Net and transfer learning effectively delineates complex tissue boundaries and captures fine anatomical details specific to NHP brains. Notably, our method demonstrated improvement in segmenting small subcortical structures such as putamen and thalamus that are challenging to resolve with limited spatial resolution and tissue contrast, and achieved DSC of over 0.88, IoU over 0.8 and HD95 under 7. This study introduces a robust method for multi-class brain tissue segmentation in NHPs, potentially accelerating research in evolutionary neuroscience and preclinical studies of neurological disorders relevant to human health.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google