Microscopy-informed structural connectivity mapping in the in vivohuman brain via domain adaptation

Resumo Técnico: Mapeamento de Conectividade Estrutural Informado por Microscopia no Cérebro Humano In Vivo via Adaptação de Domínio

Declaração do Probleみ
Caracterizar a conectividade do cérebro humano continua sendo um desafio significativo na neurociência. Embora conjuntos de dados multimodais que combinam RM de difusão (dMRI) com microscopia de alta resolução no mesmo cérebro forneçam um elo único entre o mapeamento macroscópico e o detalhe microestrutural, as ferramentas atuais carecem da capacidade de alavancar esses dados para melhorar as estimativas de conectividade para o mapeamento in vivo humano. Especificamente, há uma lacuna na tradução do "ground truth" biológico de alta resolução fornecido pela microscopia para o domínio da dMRI não invasiva, particularmente ao transpor diferenças nos estados do tecido (post-mortem vs. in vivo) e entre espécies (macaco vs. humano).

Metodologia
Os autores propõem um framework de aprendizado profundo projetado para prever orientações de fibras de alta resolução, informadas por microscopia, diretamente a partir da ressonância magnética de difusão. O núcleo da metodologia envolve as seguintes etapas:

1. Construção dos Dados de Treinamento: O modelo é treinado em um conjunto de dados de macaco sob medida que integra três modalidades distintas: RM in vivo, RM post-mortem e microscopia de cérebro inteiro. Os mapas de orientação de fibras tridimensionais derivados da microscopia servem como os alvos de treinamento biologicamente fundamentados.
2. Estratégia de Adaptação de Domínio: Para lidar com o deslocamento de domínio (domain shift) entre o treinamento e a inferência, os autores empregam uma abordagem de adaptação de domínio em dois estágios:
   • Adaptação do Estado do Tecido: O modelo primeiro faz a ponte entre os estados de tecido post-mortem e in vivo dentro do conjunto de dados de macaco.
   • Generalização Entre Espécies: O modelo é subsequentemente adaptado para generalizar dos dados de macaco para o mapeamento de RM in vivo humana.
3. Inferência: O modelo treinado deriva a arquitetura de fibras de escala microinformada a partir da dMRI padrão sem a necessidade de dados de microscopia na etapa de inferência. Isso permite que o método aproveite dados adquiridos em modelos animais enquanto se generaliza para dados humanos com requisitos mínimos de aquisição adicional.

Principais Contribuições

• Modelo de Aprendizado Profundo para Orientação de Fibras: Desenvolvimento de um modelo que prevê orientações de fibras de alta resolução a partir de dMRI usando mapas derivados de microscopia como alvos.
• Framework de Adaptação de Domínio: Uma aplicação inovadora de adaptação de domínio para lidar tanto com variações de estado de tecido (post-mortem para in vivo) quanto com a tradução entre espécies (macaco para humano).
• Tratografia Informada por Microscopia: A geração de distribuições de orientação de fibras (FODs) que são informadas pelo detalhe microestrutural, permitindo uma tratografia biologicamente mais significativa.

Resultados
O método proposto gera com sucesso distribuições de orientação de fibras informadas por microscopia a partir de dMRI humana in vivo. A tratografia resultante demonstra um delineamento aprimorado de vias neurais específicas, particularmente:

• Substância Branca Superficial: Melhor resolução e rastreamento de conexões de curto alcance.
• Vias Cortico-Subcorticais: Definição aprimorada das conexões entre o córtex e as estruturas subcorticais.

Significância
O artigo afirma que este trabalho estabelece um framework geral para transferir informações microestruturais da microscopia para o mapeamento não invasivo. Ao alavancar dados de alta resolução disponíveis apenas em modelos animais, o método possibilita a criação de mapas biologicamente informados da conectividade cerebral no cérebro humano in vivo. Esta abordagem aumenta a precisão das estimativas de conectividade estrutural sem exigir microscopia invasiva ou de alta resolução durante a aquisição de dados humanos.