Microscopy-informed structural connectivity mapping in the in vivohuman brain via domain adaptation
本文提出了一种利用领域自适应技术将高分辨率显微镜衍生的纤维方向图从猕猴数据集转换至体内人类弥散磁共振成像（MRI）的深度学习框架，从而在推理阶段无需显微镜数据的情况下，实现具有生物学依据的结构连接映射。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正试图理解一座城市互联网网络的复杂布线。你有两种观察方式：
航拍视角（MRI）： 你可以驾驶无人机飞越城市，观察主要的高速公路和干道。这种方式速度快，且覆盖了整个城市，但从高空看下去，你无法看到单根电缆、狭小的巷弄或房屋之间具体的连接情况。这就像是弥散性磁共振成像（Diffusion MRI），它提供了大脑连接的宏观地图，却遗漏了微小的细节纤维。
街道视角（显微镜技术）： 你可以走遍每一条街道，近距离观察每一根电线和电缆。这能提供完美的、高清晰度的细节，但过程极其缓慢且昂贵，而且你无法在活体上进行（这就像是在城市停工拆解后才去观察它）。这就像是显微镜技术（Microscopy），它展示了大脑微小的结构，但通常只能在死亡后的组织或动物身上实现。
问题所在：
科学家们面临着这两个视角之间的巨大鸿沟。他们拥有的是人类大脑模糊的“航拍图”，但缺乏让这张地图真正准确所需的“街道级”细节。他们也拥有完美的动物大脑（如猕猴）“街道级地图”，但他们不能直接把这些细节“复制粘贴”到人类身上，因为两者的“地形”并不相同。
解决方案：
研究人员构建了一个智能计算机程序（深度学习模型），它扮演着一个超级聪明的翻译官的角色。以下是它的工作原理，分步骤说明：
- 训练营： 首先，他们利用猕猴的数据来训练计算机。他们拥有同一只猕猴大脑的“航拍视角”（MRI）和“街道视角”（显微镜技术）数据。计算机通过学习，能够观察模糊的 MRI，并根据真实的显微镜数据作为“标准答案”，来推测出详细的街道级地图应该是怎样的。
- 第一次翻译（解决“死与生”的问题）： 他们拥有的猕猴数据是“活体”MRI与“死亡”（死后）显微镜技术的混合体。计算机学会了忽略由组织死亡或存活所导致的差异，从而有效地学会了去观察结构的“本质”，而非仅仅是组织的形态状态。
- 第二次翻译（跨物种转换）： 一旦计算机掌握了猕猴大脑，他们便使用一种称为**领域自适应（Domain Adaptation）**的技术，将这些知识迁移到人类身上。你可以把它想象成教计算机：尽管人类和猴子是不同的物种，但大脑神经纤维组织的“基本语法”是足够相似的，因此计算机可以将学到的知识应用于人类大脑。
结果：
现在，当科学家使用标准的 MRI 扫描活体人类大脑时，这个计算机程序可以瞬间“填补空白”。它能预测出大脑布线的、高分辨率的街道级细节，而无需进行任何实际的显微镜观察。
为什么这很重要：
这种新方法让科学家能够绘制出更准确的大脑连接图谱。具体而言，它能比以前更好地帮助我们观察“局部邻里道路”（浅层白质）以及连接大脑表面与深层中心之间的特定路径（皮层-皮层下通路）。
简而言之，本文提出了一种方法，利用来自动物研究的超详细蓝图，来升级人类活体大脑模糊的地图，从而为我们呈现一幅更清晰、在生物学上更准确的大脑连接图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。