使用自编码器在纤维追踪中进行滤波（FINTA）
图像与视频处理
2021-08-03 v2 计算机视觉与模式识别
机器学习
神经元与认知
定量方法
摘要
当前的脑白质纤维追踪技术存在许多问题，包括：生成大量无法准确描述底层解剖结构的纤维束；提取不受底层扩散信号支持的纤维束；以及对某些纤维群体的表示不足等。在本文中，我们描述了一种基于自编码器的新型学习方法，用于从扩散 MRI 纤维追踪中滤除纤维束，从而获得更可靠的纤维束图。我们的方法被称为 FINTA（使用自编码器在纤维追踪中进行滤波），它使用原始的、无标签的纤维束图来训练自编码器，并学习脑纤维束的稳健表示。然后使用最近邻算法利用这种嵌入来滤除不需要的纤维束样本。我们在合成和体内人脑扩散 MRI 纤维追踪数据上的实验在测试集上获得了超过 90% 的准确率得分。结果显示，与传统的基于解剖结构的方法和最先进的 RecoBundles 方法相比，FINTA 具有更优的滤波性能。此外，我们证明 FINTA 可以应用于部分纤维束图，而无需更改框架。我们还表明，所提出的方法在不同的追踪方法和数据集之间具有良好的泛化能力，并且显著缩短了大型（>1 M 纤维束）纤维束图的计算时间。总之，这项工作提出了一个基于自编码器的纤维追踪深度学习新框架，它为白质滤波和捆绑提供了一种灵活而强大的方法，可以增强纤维束度量和连通性分析。
引用
@article{arxiv.2010.04007,
title = {Filtering in tractography using autoencoders (FINTA)},
author = {Jon Haitz Legarreta and Laurent Petit and François Rheault and Guillaume Theaud and Carl Lemaire and Maxime Descoteaux and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:2010.04007},
year = {2021}
}
备注
Preprint. Published in Medical Image Analysis 72 (2021) 102126