基于自编码器的纤维束追踪生成式采样（GESTA）

当前的纤维束追踪方法利用局部方向信息从种子位置传播流线。许多此类种子产生的流线过早停止或未能映射真实的白质通路，因为某些纤维束比其他“更难追踪”。这导致纤维束追踪重建的白质与灰质空间覆盖较差。本工作中，我们提出一种生成式、基于自编码器的方法，名为GESTA（基于自编码器的纤维束追踪生成式采样，Generative Sampling in Bundle Tractography using Autoencoders），其生成的流线实现了更好的空间覆盖。与其他深度学习方法相比，我们基于自编码器的框架使用单一模型以束级方式生成流线，且不需要传播局部方向。GESTA为任意给定白质纤维束生成新的完整流线，包括难追踪纤维束。应用于给定纤维束图之上时，GESTA被证明在合成数据与人脑活体数据上均能有效地改善稀疏纤维束中的白质体积覆盖。我们的流线评估框架确保GESTA产生的流线在解剖学上合理且良好拟合局部扩散信号。流线评估标准评估解剖结构（白质覆盖）、局部方向对齐（方向）与流线的几何特征，以及可选的灰质连接性。因此，GESTA是一种新颖的深度生成式纤维束追踪方法，可用于改善白质的纤维束追踪重建。