FIESTA：用于纤维束追踪术中精确纤维分割的自编码器

白质纤维束分割是现代纤维束追踪术的基石，用于研究神经疾病、神经外科和衰老等领域的大脑结构连接。在本研究中，我们提出了 FIESTA（FIbEr Segmentation in Tractography using Autoencoders，使用自编码器的纤维束追踪术纤维分割），这是一种可靠、鲁棒、完全自动化且易于半自动校准的流程，基于深度自编码器，能够解剖并完全填充白质纤维束。该流程建立在先前的工作之上，这些工作证明了自编码器如何成功用于纤维束追踪术中的流线过滤、纤维束分割和流线生成。我们提出的方法通过潜在空间播种（受试者纤维束和图谱纤维束）的生成采样恢复难以追踪的纤维束，从而提高了纤维束分割覆盖率。使用基于自编码器的建模结合对比学习来学习流线的潜在空间。使用标准空间（MNI）中的纤维束图谱，我们提出的方法利用每个纤维束追踪图流线与图谱中最近邻纤维束之间的自编码器潜在距离来分割新的纤维束追踪图。通过恢复难以追踪的流线，使用自编码器生成增加每个纤维束空间覆盖率同时保持解剖学正确的新流线，提高了受试者内纤维束的可靠性。结果表明，我们的方法比 RecoBundles、RecoBundlesX、TractSeg、White Matter Analysis 和 XTRACT 等最先进的自动虚拟解剖方法更可靠。我们的框架允许以极少的校准工作从一种解剖纤维束定义过渡到另一种。总体而言，这些结果表明我们的框架提高了当前最先进纤维束分割框架的实用性和可用性。