Dokument: Scrutiny and Application of Deep-Learning Based Methods for Cortical and Subcortical Brain Mapping in the BigBrain Model

Titel:Scrutiny and Application of Deep-Learning Based Methods for Cortical and Subcortical Brain Mapping in the BigBrain Model
URL für Lesezeichen:https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=60985
URN (NBN):urn:nbn:de:hbz:061-20221102-113651-2
Kollektion:Dissertationen
Sprache:Englisch
Dokumententyp:Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:Text
Autor: Kiwitz, Kai Lars [Autor]
Dateien:
[Dateien anzeigen]Adobe PDF
[Details]20,37 MB in einer Datei
[ZIP-Datei erzeugen]
Dateien vom 25.10.2022 / geändert 25.10.2022
Beitragende:Prof. Dr. med. Amunts, Katrin [Gutachter]
Prof. Dr. med. Seitz, Rüdiger J. [Gutachter]
Dewey Dezimal-Klassifikation:600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:Zytoarchitektonische Karten liefern wichtige mikroanatomische Parzellierungen des Gehirns. Die derzeitige Methode zytoarchitektonischer Parzellierung beruht auf Bildanalysetechniken, welche die Zytoarchitektur anhand orthogonal zur kortikalen Oberfläche extrahierter Profile quantifizieren. Trotz ständiger Verbesserungen ist dieser Ansatz in seiner Verarbeitungsmenge begrenzt und nur auf kortikale Bereiche anwendbar. Hier wird daher die Qualität und die anatomische Plausibilität eines Deep-Learning-basierten Hirnkartierungsverfahrens im BigBrain - einem hochaufgelösten histologischen 3D-Modell des menschlichen Gehirns - untersucht. In einer ersten Studie wurden vier visuelle kortikale Areale mit Hilfe des profilbasierten Ansatzes kartiert, um einen adaptieren Deep-Learning-Ansatz zur Hirnkartierung auf dichten Serien histologischer Schnitten im BigBrain zu trainieren und anzuwenden. In einer zweiten Studie wurde die Anwendung des Deep-Learning-Ansatzes auf einen Kern des Metathalamus ausgedehnt, um die subkortikale Anwendbarkeit zu bewerten. Zusätzlich wurden probabilistische zytoarchitektonische Karten metathalamischer Kerne auf der Grundlage von Kartierungen in zehn post-mortem Gehirnen als Teil des Julich-Brain-Atlas berechnet. In einer dritten Studie wurde die Funktionsweise des Deep-Learning-Ansatzes evaluiert, indem die interne Struktur auf widergespiegelte zytoarchitektonische Merkmale hin analysiert wurde. Ein zusätzlicher Vergleich mit widergespiegelten zytoarchitektonischen Merkmalen und Grenzpositionen des profilbasierten Ansatzes ermöglichte eine unabhängige Überprüfung der Validität des Deep-Learning-Ansatzes.
Der adaptierte Deep-Learning-Ansatz war in der Lage, die vier kortikalen visuellen Areale sowie den subkortikalen metathalamischen Kern konsistent zu kartieren. Die Karten wiesen über ihre gesamte Ausdehnung im BigBrain ein hohes Maß an Qualität und anatomischer Plausibilität in Bezug auf Topographie und Ausdehnung auf. Die ermittelten Grenzen der kortikalen Areale waren mit den durch den profilbasierten Ansatz gefundenen Grenzen ko-lokalisiert und reproduzierten die Befunde subkortikaler Karten in histologischen Atlanten. Die Analyse der internen Struktur des adaptierten Deep-Learning-Ansatzes zeigte zytoarchitektonische Merkmalsrepräsentationen insbesondere auf der laminaren Ebene auf. Gleichzeitig ermöglichte der neue Ansatz die Kartierung großer Serien histologischer Schnitte.
Unsere Analysen zeigen das Potenzial auf, die Einschränkungen des profilbasierten Ansatzes zu überwinden und stellen einen ersten Schritt zur routinemäßigen Anwendung von Deep-Learning-basierter Hirnkartierung in hochaufgelösten Gehirnmodellen wie dem BigBrain-Datensatz dar. Die generierten Karten sind öffentlich zugänglich und werden zukünftigen Forschern helfen, das interoperable BigBrain mit hochauflösenden Bildgebungsdaten zu integrieren sowie bessere und realistischere menschliche Gehirnmodelle zu entwickeln.

Cytoarchitectonic maps provide important microanatomy based parcellations of the brain. The current state-of-the-art approach for cytoarchitectonic brain mapping involves image analysis techniques quantifying cytoarchitecture by extracting cortical profiles orthogonal to the cortical surface. Despite continuous improvements, this profile-based approach remains limited in throughput and is only applicable to cortical areas. We therefore investigated the quality and anatomical plausibility of a revised deep-learning based brain mapping approach in the BigBrain – a high-resolution 3D histological model of the human brain. In a first study, four visual cortical areas were mapped using the profile-based approach to train and apply the revised deep-learning approach to dense series of histological sections in the BigBrain. A second study expanded the use of the deep-learning based approach to a nucleus of the metathalamus to evaluate its subcortical applicability. Additionally, cytoarchitectonic probabilistic maps of the metathalamic nuclei were computed based on mappings in ten postmortem brains as part of the Julich-Brain atlas. In a third study, an evaluation of the operational mode of the revised deep-learning approach was performed by analyzing its internal structure with regards to representations of cytoarchitectonic features. An additional comparison to cytoarchitectonic features and borders positions reflected by the profile-based approach aimed at providing an independent verification of the deep-learning approach’s validity.
The revised deep-learning approach was able to consistently map the four cortical visual areas as well as the subcortical metathalamic nucleus. Throughout their whole extent in the BigBrain, the maps showed a high degree of quality and anatomical plausibility with regards to topography and extent. Detected borders of cortical areas were co-localized to borders found by the profile-based approach and reproduced findings from subcortical maps in microscopic histological atlases, respectively. The analysis of the internal structure of the revised deep-learning approach revealed cytoarchitectonic feature representations especially on the laminar level. At the same time the new approach allowed mapping of large series of histological sections.
Our analyses demonstrate the potential to overcome limitations of the profile-based approach and provide a first step towards using deep-learning based brain mapping on a routine basis in high-resolution brain models like the BigBrain dataset. The generated maps are publicly available and will help future investigators to integrate the interoperable BigBrain with high-resolution neuroimaging data as well as to develop better and more realistic human brain models.
Lizenz:Creative Commons Lizenzvertrag
Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:Medizinische Fakultät » Institute » C. u. O. Vogt-Institut für Hirnforschung
Dokument erstellt am:02.11.2022
Dateien geändert am:02.11.2022
Promotionsantrag am:18.05.2022
Datum der Promotion:20.10.2022
english
Benutzer
Status: Gast
Aktionen