通过随机化迭代球去卷积引导的纤维束图滤波评估流线合理性
计算机视觉与模式识别
2023-07-25 v1 人工智能
摘要
纤维束成像已成为脑连接研究不可或缺的一部分。然而,其目前面临可靠性问题。特别是,最先进纤维束成像方法生成的纤维束图中有大量神经纤维重建(流线)在解剖学上是不合理的。为解决该问题,已开发纤维束图滤波方法以在后续处理步骤中移除错误连接。本研究仔细考察了其中一种方法,即球去卷积引导的纤维束图滤波(SIFT),其使用全局优化方法以改善滤波后剩余流线与底层扩散磁共振成像数据之间的一致性。SIFT 不适合判断单个流线的合理性,因为其结果依赖于周围纤维束图的大小与组成。为解决该问题,我们提出将 SIFT 应用于随机选取的纤维束图子集,以便为每条流线获取多次评估。该方法使得识别具有非常一致滤波结果的流线成为可能,这些流线被用作训练分类器的伪真值。训练后的分类器能够以高于 80% 的准确率区分所获得的合理与不合理流线组。本文使用的软件代码及分类器的预训练权重通过 Github 仓库 https://github.com/djoerch/randomised_filtering 免费发布。
引用
@article{arxiv.2205.04843,
title = {Assessing Streamline Plausibility Through Randomized Iterative Spherical-Deconvolution Informed Tractogram Filtering},
author = {Antonia Hain and Daniel Jörgens and Rodrigo Moreno},
journal= {arXiv preprint arXiv:2205.04843},
year = {2023}
}
备注
38 pages, 18 figures