一种基于多模态扩散MRI和功能MRI的深层学习白质迹徊纤维聚类框架用于功能一致的白质分割
图像与视频处理
2024-12-17 v2 计算机视觉与模式识别
摘要
使用扩散MRI（dMRI）进行迹徊纤维聚类是白质（WM）分割的关键策略。当前方法主要使用纤维的几何信息（即空间轨迹）来对相似纤维进行分组，忽略纤维束沿线的重要功能信号。越来越多的证据表明，神经活动可以通过功能MRI（fMRI）进行测量，这为纤维聚类提供了潜在的多模态信息。在本文中，我们发展了一种新的深度学习纤维聚类框架，称为 Deep Multi-view Fiber Clustering（DMVFC），该框架利用联合dMRI和fMRI数据实现功能上一致的WM分割。DMVFC能够有效整合WM纤维的几何特征与纤维束上的fMRI BOLD信号。它包括两个主要组成部分：1）一种多视图预训练模块，用于分别计算纤维几何信息和功能信号的嵌入特征；2）一种协同精细调谐模块，用于同时精炼这两种类型的嵌入。在实验中，我们将DMVFC与两种最先进的纤维聚类方法进行比较，证明其在实现功能上有意义且一致的WM分割方面性能卓越。
引用
@article{arxiv.2411.01859,
title = {A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI},
author = {Jin Wang and Bocheng Guo and Yijie Li and Junyi Wang and Yuqian Chen and Jarrett Rushmore and Nikos Makris and Yogesh Rathi and Lauren J O'Donnell and Fan Zhang},
journal= {arXiv preprint arXiv:2411.01859},
year = {2024}
}
备注
5 pages, 3 figures