DDTracking：基于深度生成框架的扩散 MRI 脑白素纤维追踪，集成局部-全局时空建模
计算机视觉与模式识别
2026-02-04 v1
摘要
本文提出 DDTracking，一种新的深度生成框架用于扩散 MRI 脑白素纤维追踪，将纤维传播形式化为条件去噪扩散过程。在 DDTracking 中，我们引入双路径编码网络，联合建模局部空间编码（捕捉每个纤维点处的细粒度结构细节）和全局时序依赖性（确保整个纤维范围内的长程一致性）。此外，我们设计了条件扩散模型模块，利用所学的局部和全局嵌入预测脑白素纤维追踪的传播方向。我们在包括合成数据和临床数据在内的多样独立获取的 dMRI 数据集上进行了全面评估。在两个拥有真实标注的既定基准（ISMRM 挑战赛和 TractoInferno）上的实验表明，DDTracking 在当前最先进的脑白素追踪方法上取得了显著优势。进一步地，我们的结果显示 DDTracking 在异构数据集上的泛化能力强，涵盖不同健康状况、年龄群体、成像协议以及扫描仪类型。总体而言，DDTracking 提供了解剖上合理且稳健的脑白素追踪，为广泛的 dMRI 应用提供了一个可扩展、可适应且端到端可学习的解决方案。代码已公开：https://github.com/yishengpoxiao/DDtracking.git
引用
@article{arxiv.2508.04568,
title = {DDTracking: A Deep Generative Framework for Diffusion MRI Tractography with Streamline Local-Global Spatiotemporal Modeling},
author = {Yijie Li and Wei Zhang and Xi Zhu and Ye Wu and Yogesh Rathi and Lauren J. O'Donnell and Fan Zhang},
journal= {arXiv preprint arXiv:2508.04568},
year = {2026}
}
备注
Preprint version. The content may be updated in the future