- 4 次围观
表征人脑连接性仍然是神经科学中的一项重大挑战。在同一脑中结合弥散MRI与高分辨率显微成像的多模态数据集，为宏观影像与微观结构细节之间提供了独特联系，但我们仍缺乏能够利用这类数据来改进体内人脑成像连接性估计的工具。我们提出了一种深度学习模型，用于根据弥散MRI预测由高分辨率显微成像指导的纤维取向。该模型采用源自显微成像的三维纤维取向图作为具有生物学基础的训练目标。模型在一个定制的猕猴数据集上进行训练，该数据集整合了体内MRI、死后MRI以及全脑显微成像，随后被迁移应用于体内人脑成像。 我们使用领域自适应从多样化的MRI数据集中预测纤维取向：首先用于跨越猕猴组织状态差异（死后到体内），随后用于实现跨物种泛化（猕猴到人类）。我们的方法能够仅基于弥散MRI推导出具有微观尺度信息支持的纤维结构，而在推理阶段无需显微成像。该方法利用了那些虽易于仅在动物模型中获取、但能够以最小采集需求泛化到体内人类弥散MRI的数据。由显微成像信息指导的纤维取向分布支持具有生物学意义的纤维束追踪，增强了体内人类数据中浅表白质以及皮层-皮层下通路的描绘。更广泛地说，这项工作建立了一个将微观结构信息从显微成像迁移到无创成像的通用框架，从而实现对脑连接性的生物学信息指导绘图。
基于领域自适应的活体人脑显微镜信息结构连接映射 | bioRxiv
跳转至主要内容 首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 最新结果
基于领域自适应的活体人脑显微镜信息结构连接映射
Silei Zhu， Nicola K Dinsdale， Saad Jbabdi， Karla Miller， Amy Howard
doi： https://doi.org/10.64898/2026.06.14.732211
Silei Zhu 1 牛津大学纳菲尔德临床神经科学系 FMRIB 整合神经影像学牛津中心，英国牛津； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY 4.0 国际许可协议 提供。
返回顶部 上一项 下一项 发表于 2026 年 6 月 18 日。
下载 PDF 补充材料 电子邮件
感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下内容 基于领域自适应的活体人脑显微镜信息结构连接映射
邮件主题 （您的姓名）已从 bioRxiv 转发了一个页面给您
邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言 验证码 此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。
分享 基于领域自适应的活体人脑显微镜信息结构连接映射
Silei Zhu， Nicola K Dinsdale， Saad Jbabdi， Karla Miller， Amy Howard
bioRxiv 2026.06.14.732211； doi： https://doi.org/10.64898/2026.06.14.732211
分享本文： 复制
引文工具 基于领域自适应的活体人脑显微镜信息结构连接映射
Silei Zhu， Nicola K Dinsdale， Saad Jbabdi， Karla Miller， Amy Howard
bioRxiv 2026.06.14.732211； doi： https://doi.org/10.64898/2026.06.14.732211
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.14.732211v1?rss=1
🏷️ 弥散MRI 脑连接组 纤维取向估计 领域自适应 深度学习 显微成像引导