DOI: https://doi.org/10.3389/fnins.2026.1729842
PMID: https://pubmed.ncbi.nlm.nih.gov/41737292
تاريخ النشر: 2026-02-09
المؤلف: Agata Łabiak وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
في هذه الدراسة، يتناول المؤلفون تحدي تقسيم قشرة الدماغ يدويًا من بيانات التصوير بالرنين المغناطيسي (MRI)، مشددين على الحاجة إلى خوارزميات فعالة. يحققون في فعالية الشبكات العصبية البيانية (GNNs) لهذه المهمة، حيث قاموا بتدريب ثلاث هياكل: شبكة الالتفاف البياني (GCN)، شبكة الانتباه البياني (GAT)، وشبكة U-Net البيانية. تم تقييم النماذج باستخدام تسميات المناطق القشرية القياسية الفضية التي تم إنشاؤها بواسطة FreeSurfer، مع التركيز على نهج متعدد الوسائط يتضمن قيم الاتصال الهيكلي من التصوير بالرنين المغناطيسي الانتشاري (dMRI) جنبًا إلى جنب مع بيانات التصوير بالرنين المغناطيسي الهيكلي (sMRI).
تشير النتائج إلى أن نماذج GNN، وخاصة هيكل GAT، حققت درجات Dice تنافسية مقارنة بالطرق التقليدية غير البيانية. ومن الجدير بالذكر أن تضمين الاتصال الهيكلي من dMRI عزز بشكل كبير أداء التقسيم التلقائي، حيث تفوقت النماذج التي تستخدم كل من سمات dMRI وsMRI على تلك المعتمدة فقط على sMRI. علاوة على ذلك، عند مقارنة نتائج التقسيم من طرق GNN وFreeSurfer، لم يظهر أي من النهجين ميزة ذات دلالة إحصائية في التنبؤ بالبيانات الديموغرافية أو السريرية، مما يشير إلى أن كلا الطريقتين لهما فعالية قابلة للمقارنة في هذا السياق.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدم في تقنيات التصوير الحي، وخاصة التصوير بالرنين المغناطيسي (MRI)، التي مكنت علماء الأعصاب من الحصول على رؤى مفصلة حول بنية الدماغ البشري. على الرغم من هذه التقدمات، فإن تعقيد الدماغ يطرح تحديات في تفسير صور MRI، مما يجعل تقسيم الدماغ – وهي عملية تقسم الدماغ إلى مناطق متميزة من الاهتمام – أمرًا أساسيًا لتعزيز فهمنا للتشريح العصبي وعلاقته بالبيانات السريرية والسلوكية. تعتبر طرق التسمية اليدوية التقليدية كثيفة العمالة، مما يدفع نحو التحول إلى الأتمتة، مع الاستفادة بشكل أساسي من صور التصوير بالرنين المغناطيسي الهيكلي (sMRI). ومع ذلك، تشير النتائج الأخيرة إلى أن دمج البيانات متعددة الوسائط، بما في ذلك الاتصال الهيكلي والوظيفي من التصوير بالرنين المغناطيسي الانتشاري (dMRI)، يمكن أن يحسن بشكل كبير نتائج التقسيم.
يقترح المؤلفون التحقيق في تأثير دمج الاتصال الهيكلي في تقسيم الدماغ باستخدام الشبكات العصبية البيانية (GNNs)، وخاصة شبكات الالتفاف البياني (GCN)، وشبكات الانتباه البياني (GAT)، وهياكل شبكة U-Net البيانية. سيقارنون جودة التقسيم للنماذج المدربة فقط على بيانات sMRI مقابل تلك المدربة مع ميزات الاتصال الإضافية من dMRI، باستخدام تقسيم FreeSurfer كمرجع. تهدف الدراسة إلى تقييم دقة هياكل GNN المختلفة وتأثير المعلمات المستمدة من sMRI على نتائج التقسيم. علاوة على ذلك، سيتم تقييم فعالية النموذج الأفضل أداءً من خلال تطبيقه في مهمة تالية، مثل التنبؤ بالعمر، مما يوفر مقياسًا عمليًا لفائدة التقسيم. يعترف المؤلفون بحدود استخدام FreeSurfer كمعيار فضي ويقترحون أن الفروق بين نموذجهم ونتائج FreeSurfer قد تشير إلى تحسينات محتملة في جودة التقسيم.
النتائج
في قسم النتائج، يقدم المؤلفون نتائج تدريب نموذج شبكة عصبية بيانية (GNN) لتقسيم القشرة، باستخدام FreeSurfer لتصور السطح الخارجي في عينة من مجموعة بيانات التدريب. تسلط الفحص التفصيلي للتقسيم الثلاثي الضوء على هيكل الشبكة، مع توضيح أن وضعية العقد ثلاثية الأبعاد هي لأغراض التصور فقط وليست جزءًا أساسيًا من هيكل الرسم البياني. تعمل الإحداثيات (x، y، z) كجزء من متجه الميزات لكل رأس، مما يعزز اعتماد النموذج على البيانات المكانية.
علاوة على ذلك، يقيم المؤلفون القدرات التنبؤية لنموذج GNN فيما يتعلق بالخصائص الديموغرافية والسريرية للموضوعات بناءً على التقسيمات. يقيم هذا المقارنة الفائدة العملية لمخرجات GNN مقابل تلك التي تم إنشاؤها بواسطة FreeSurfer، مما يشير إلى فعالية النموذج في التطبيقات الواقعية.
المناقشة
في هذه الدراسة، استكشفنا فعالية الشبكات العصبية البيانية (GNNs) لتقسيم سطح القشرة، باستخدام هيكل بياني مستمد من السطح الخارجي لصور التصوير بالرنين المغناطيسي T1. شمل متجه الميزات لكل رأس إحداثيات مكانية، وسمك قشري، وانحناء من التصوير بالرنين المغناطيسي الهيكلي (sMRI)، بالإضافة إلى قيم الاتصال من التصوير بالرنين المغناطيسي الانتشاري (dMRI) المحسوبة باستخدام طريقة قائمة على التوصيل. أظهرت نتائجنا أن النموذج متعدد الوسائط، الذي دمج بيانات الاتصال، حسّن بشكل كبير دقة التقسيم، محققًا متوسط درجة Dice قدرها 0.927، مقارنة بـ 0.768 للنموذج الذي يستخدم فقط بيانات sMRI. ومن الجدير بالذكر أن هيكل شبكة الانتباه البياني (GAT) تفوق على شبكة الالتفاف البياني (GCN) عندما تم تضمين قيم الاتصال، مما يبرز أهمية الاتصال الهيكلي في تعزيز أداء النموذج.
على الرغم من النتائج الواعدة، لم يتفوق نموذج GNN باستمرار على تقسيم FreeSurfer في المهام التالية، وخاصة في التنبؤ بالعمر، حيث حققت كلا الطريقتين قيم خطأ جذر متوسط المربعات (RMSE) مماثلة. شملت قيود الدراسة الاعتماد على تسميات FreeSurfer كمعيار وحجم العينة الصغير نسبيًا، مما قد يكون قد قيد قدرة النموذج على التعميم عبر مجموعات سكانية متنوعة، وخاصة كبار السن أو أولئك الذين يعانون من اضطرابات عصبية. يجب أن تركز الأبحاث المستقبلية على التحقق من نهج GNN مقابل التسميات المعلنة يدويًا، واستكشاف تأثير الاتصال على التقسيم في السكان السريريين، والتحقيق في هياكل GNN المتقدمة التي قد تعزز الأداء في مهام تقسيم القشرة.
DOI: https://doi.org/10.3389/fnins.2026.1729842
PMID: https://pubmed.ncbi.nlm.nih.gov/41737292
Publication Date: 2026-02-09
Author(s): Agata Łabiak et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
In this study, the authors address the challenge of manual segmentation of the brain cortex from magnetic resonance imaging (MRI) data, highlighting the need for efficient algorithms. They investigate the effectiveness of Graph Neural Networks (GNNs) for this task, specifically training three architectures: Graph Convolutional Network (GCN), Graph Attention Network (GAT), and Graph U-Net. The models were evaluated using silver-standard cortical region labels generated by FreeSurfer, with a focus on a multimodal approach that incorporates structural connectivity values from diffusion MRI (dMRI) alongside structural MRI (sMRI) data.
The findings indicate that GNN models, particularly the GAT architecture, achieved competitive Dice scores compared to traditional non-graph methods. Notably, the inclusion of structural connectivity from dMRI significantly enhanced automatic segmentation performance, with models utilizing both dMRI and sMRI attributes outperforming those reliant solely on sMRI. Furthermore, when comparing the segmentation results from GNN-based methods and FreeSurfer, neither approach demonstrated a statistically significant advantage in predicting demographic or clinical data, suggesting that both methods have comparable efficacy in this context.
Introduction
The introduction of this research paper highlights the advancements in in vivo imaging techniques, particularly magnetic resonance imaging (MRI), which have enabled neuroscientists to gain detailed insights into the human brain’s structure. Despite these advancements, the complexity of the brain poses challenges in interpreting MRI images, making brain segmentation—a process that divides the brain into distinct regions of interest—essential for enhancing our understanding of neuroanatomy and its relationship with clinical and behavioral data. Traditional manual labeling methods are labor-intensive, prompting a shift towards automation, primarily utilizing structural MRI (sMRI) images. However, recent findings suggest that incorporating multimodal data, including structural and functional connectivity from diffusion MRI (dMRI), can significantly improve segmentation outcomes.
The authors propose to investigate the impact of integrating structural connectivity into brain segmentation using Graph Neural Networks (GNNs), specifically Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), and Graph U-Net architectures. They will compare the segmentation quality of models trained solely on sMRI data against those trained with additional dMRI connectivity features, using FreeSurfer segmentation as a reference. The study aims to assess the accuracy of various GNN architectures and the influence of different sMRI-derived parameters on segmentation results. Furthermore, the effectiveness of the best-performing model will be evaluated through its application in a downstream task, such as age prediction, providing a practical measure of the segmentation’s utility. The authors acknowledge the limitations of using FreeSurfer as a silver standard and propose that discrepancies between their model and FreeSurfer results could indicate potential improvements in segmentation quality.
Results
In the results section, the authors present the outcomes of training a Graph Neural Network (GNN) model for cortical segmentation, utilizing FreeSurfer for visualization of the pial surface in a sample subject from the training dataset. The detailed examination of the triangular tessellation highlights the mesh structure, while clarifying that the 3D positioning of nodes is solely for visualization purposes and not integral to the graph structure. The (x, y, z) coordinates serve as part of the feature vector for each vertex, reinforcing the model’s reliance on spatial data.
Furthermore, the authors evaluate the predictive capabilities of the GNN model concerning demographic and clinical characteristics of the subjects based on the segmentations. This comparison assesses the practical utility of the GNN outputs against those generated by FreeSurfer, indicating the model’s effectiveness in real-world applications.
Discussion
In this study, we explored the efficacy of Graph Neural Networks (GNNs) for cortical surface segmentation, utilizing a graph structure derived from the pial surface of T1-weighted MRI images. The feature vector for each vertex included spatial coordinates, cortical thickness, and curvature from structural MRI (sMRI), as well as connectivity values from diffusion MRI (dMRI) computed using a conductance-based method. Our results demonstrated that the multimodal model, which incorporated connectivity data, significantly improved segmentation accuracy, achieving a mean Dice score of 0.927, compared to 0.768 for the model using only sMRI data. Notably, the Graph Attention Network (GAT) architecture outperformed the Graph Convolutional Network (GCN) when connectivity values were included, highlighting the importance of structural connectivity in enhancing model performance.
Despite the promising results, the GNN model did not consistently outperform FreeSurfer-based segmentation in downstream tasks, particularly in age prediction, where both methods yielded similar root mean square error (RMSE) values. The study’s limitations included a reliance on FreeSurfer labels as a benchmark and a relatively small sample size, which may have restricted the model’s ability to generalize across diverse populations, particularly older adults or those with neurological disorders. Future research should focus on validating the GNN approach against manually annotated labels, exploring the influence of connectivity on segmentation in clinical populations, and investigating advanced GNN architectures that may further enhance performance in cortical segmentation tasks.