《Communications Biology》：Diffusion MRI GAN synthesizing fibre orientation distribution data using generative adversarial networks
编辑推荐：
在医学成像领域，深度学习技术依赖大量训练数据，临床数据却受限，尤其是罕见病数据稀缺。研究人员开展基于生成对抗网络（GANs）生成纤维取向分布（FODs）数据的研究，成功训练 α-WGAN 生成的 FODs 能产生准确纤维束和连接组，为扩充临床数据集提供新途径。
在医学影像分析的前沿领域，深度学习技术就像一把神奇的钥匙，为临床影像数据的自动化分析带来了无限可能。卷积神经网络（CNN）在病变检测、MRI 数据分类和分割等任务中表现出色，然而这把钥匙想要发挥最大作用，却面临着一个棘手的难题 —— 训练数据不足。临床数据的收集不仅耗时耗力，而且个人数据使用受限，尤其是在罕见病研究中，数据更是稀缺，这极大地限制了深度学习在医学领域的广泛应用。
为了突破这一困境，来自德国柏林夏里特医学院（Charité Universit?tsmedizin Berlin）、芬兰东芬兰大学 A.I. 维尔塔宁分子科学研究所、阿尔托大学理学院神经科学与生物医学工程系、意大利墨西拿大学脑图谱实验室等机构的研究人员展开了深入研究。他们的研究成果发表在《Communications Biology》上，为医学成像数据的扩充带来了新的希望。
研究人员的核心目标是利用生成对抗网络（GANs）来生成复杂的医学成像数据，尤其是纤维取向分布（FODs）数据。FODs 是一种复杂的数据类型，它通过将扩散建模为球谐函数，并将权重存储为多个三维体积，能够反映大脑白质中轴突纤维束的方向和密度等微观结构信息，对于研究大脑的结构连接至关重要。
为了实现这一目标，研究人员采用了一种改进的 α-Wasserstein GAN（α-WGAN）模型。该模型结合了 Wasserstein GAN 和变分自编码器（VAE），有效避免了传统 GANs 中常见的模式崩溃和训练不稳定问题。研究数据来源于人类连接组计划（HCP）的公开数据，研究人员从中提取并处理了 FOD 图像，构建了训练集和验证集。在模型训练过程中，他们精心调整参数，经过 37000 次迭代训练，最终成功让模型学会生成 FODs 数据。
下面来看看具体的研究结果：
- 视觉检查和 FOD 值直接分析：通过生成的 FOD 图像，能够清晰识别大脑的主要解剖结构，如脑室、基底神经节、胼胝体等，也能捕捉到特征性的白质纤维束。不过，合成数据存在一些小问题，比如部分体素值不太符合生理情况，图像相比验证数据略显模糊。这是因为 VAE 本身存在一定的局限性，但与低分辨率的纯 VAE 生成的 FODs 相比，α-WGAN 生成的图像在空间细节上已有明显提升。
- Tractography 和结构连接组：对生成的 FODs 数据进行处理，成功得到了有意义的 tractography-derived 连接矩阵和结构连接组。与验证数据的连接组相比，两者结构相似，但合成数据的连接组在一些指标上存在细微差异。例如，合成数据的全局效率略低于验证数据，不过两者连接组的相关性系数分布相似，这表明生成的连接组在整体结构上与真实数据较为接近。
- 单个纤维束：使用不同算法重建单个纤维束，发现合成 FODs 得到的纤维束在形状和大小上与验证数据相似，但部分小纤维束如 UF 在合成数据中重建困难。此外，合成数据的纤维束体积普遍比验证数据小，不过纤维密度的变化趋势相似，这说明生成的 FODs 在一定程度上能够反映真实数据的纤维特征。
综合来看，研究人员成功训练 α-WGAN 生成了具有解剖学意义的 FODs 数据。这些合成数据在训练机器学习模型时非常有用，能够扩充训练数据集，提升模型的性能。而且，该方法不仅局限于 FODs 数据，未来有望扩展到合成其他 4D MRI 数据，为医学研究提供更多的数据支持。这一研究成果对于罕见病的研究意义重大，能够有效补充有限的训练数据，帮助神经网络更好地学习疾病特征，从而提高诊断和分析的准确性。同时，在医学培训、数据分析教学以及算法测试等方面，合成数据也能发挥重要作用，推动医学领域的不断进步。
在研究过程中，研究人员主要运用了以下关键技术方法：
- 数据处理技术：从 HCP 公开数据集中获取数据，利用 MRtrix3 软件包计算 FOD 图像，包括响应函数计算、多壳多组织约束球反卷积（MSMT-CSD）等步骤，并对数据进行预处理和空间分辨率转换，同时通过旋转操作扩充训练数据。
- 模型构建技术：采用改进的 α-WGAN 模型，该模型包含生成器、判别器、编码器和代码判别器四个子网络，通过巧妙设计各网络结构和参数，实现从高斯噪声向量生成 FODs 数据。
- 验证分析技术：运用多种指标对生成数据进行验证，如通过视觉检查、直方图分析比较 FOD 值，计算连接组的全局效率和 Mantel 相关性，以及使用 Dice 分数评估纤维束体积和形状相似性等。
涓嬭浇瀹夋嵎浼︾數瀛愪功銆婇€氳繃缁嗚優浠ｈ阿鎻ず鏂扮殑鑽墿闈剁偣銆嬫帰绱㈠浣曢€氳繃浠ｈ阿鍒嗘瀽淇冭繘鎮ㄧ殑鑽墿鍙戠幇鐮旂┒
10x Genomics鏂板搧Visium HD 寮€鍚崟缁嗚優鍒嗚鲸鐜囩殑鍏ㄨ浆褰曠粍绌洪棿鍒嗘瀽锛�
娆㈣繋涓嬭浇Twist銆婁笉鏂彉鍖栫殑CRISPR绛涢€夋牸灞€銆嬬數瀛愪功
鍗曠粏鑳炴祴搴忓叆闂ㄥぇ璁插爞 - 娣卞叆浜嗚В浠庣涓€涓崟缁嗚優瀹為獙璁捐鍒版暟鎹川鎺т笌鍙鍖栬В鏋�
涓嬭浇銆婄粏鑳炲唴铔嬬櫧璐ㄤ簰浣滃垎鏋愭柟娉曠數瀛愪功銆�
瀵洟顣悰灞肩瑹鑱絴鑱介懕姘卞妽妤癸妇澹掔紒妯挎皑娴狅綀闃跨紒鍕劅閺佺繝缍嬬憴锝呭枀閺傝顢�>> 
閵嗗苯銇囩亸蹇涚炊缁讳浇鍋涙稉搴′淮鎼撮顓搁悶鍡愨偓宥嗗瘹鐎靛吋鎹ｉ幎銉礉閻愮懓鍤崡鍐插讲閸忓秷鍨傛０鍡楀絿閻㈤潧鐡欓悧鍫熷灗鐎圭偘缍嬪ù閿嬪Г>> 
閹活厾顫濋崡鏇犵矎閼崇偞绁存惔锟�-濞ｅ崬鍙嗘禍鍡毿掓潻娆撱€嶅锝呮躬閺€鐟板綁閹存垳婊戝鈧仦鏇狀潠鐎涳妇鐖虹粚鍓佹畱閹垛偓閺堬拷>> 
娑撴牜鏅拋妤€鎮昑hermo Fisher鐠ф盯绮鐐扮瑯鐏忔梻顫栭幎鈧幏娑滀粧Field Application Scientist閵嗕府arketing Develop缁涘浜存担宥忕礉鐠囷附鍎忕拠閿嬬叀閻鏁撻悧鈺呪偓姘眽閹靛秴绔堕崷鐑樼埉閻╊噯绱�>> 
閸氼剝顕╂潻鍥ф偋閿涚喕绉存潻锟�14婢垛晛鐤勬宀€鐛ラ崣锝囨畱閼叉繆鍓扮紒鍡氬劒閿涳拷>> 
