全局上下文足以实现并行高效的纤维束追踪分区

扩散MRI中的全脑纤维束追踪通常随后进行分区，即将每条流线分类为属于特定的白质纤维束，或作为假阳性被丢弃。高效的分区在需要处理海量数据的大规模研究中以及在计算资源通常有限的临床环境中都很重要。TractCloud是一种最先进的方法，旨在通过局部-全局表示最大化准确性。我们证明，局部上下文对该方法的准确性没有贡献，在处理病理情况时甚至是有害的。基于这一观察，我们提出了一种新的并行高效纤维束追踪分区方法PETParc。PETParc是一种基于Transformer的架构，其中全脑纤维束图被随机划分为子纤维束图，其流线被并行分类，同时相互作为全局上下文。这使得相对于TractCloud的速度提升了多达两个数量级，并允许在没有GPU的临床工作站上进行推理。PETParc通过一种新颖的翻转不变嵌入，或简单地通过将翻转作为数据增强的一部分，来处理流线方向缺失的问题。尽管速度有所提升，其结果往往甚至优于先前的方法。代码和预训练模型将在论文被接受后公开。