从扩散 MRI 中学习用于纤维束成像的解剖分割
图像与视频处理
2020-09-10 v1 机器学习
摘要
扩散 MRI 的深度学习方法迄今主要聚焦于病变或白质纤维束的基于体素的分割。将纤维束表示为体积标签而非流线集合的一个缺陷是,它排除了沿纤维束的微观结构或几何特征的逐点分析。允许此类分析的传统纤维束成像流水线可受益于详细的全脑分割以引导纤维束重建。在此,我们引入直接在扩散加权 MR 图像上进行的快速、基于深度学习的 170 个解剖区域分割,消除了传统分割方法对 T1 加权图像和缓慢预处理流水线的依赖。在扩散空间中原生工作避免了跨模态的非线性畸变和配准误差,以及插值伪影。我们展示了依组织类型不同在 0.70 至 0.87 Dice 之间的一致分割结果。我们研究了扩散衍生输入的各种组合,并展示了对不同梯度方向数量的泛化能力。最后,将我们的方法集成以为纤维束成像流水线(如 TRACULA)提供解剖先验,消除了数小时的预处理时间,并允许即便在缺乏高质量 T1 加权扫描时进行处理,且不降低所得纤维束估计的质量。
引用
@article{arxiv.2009.04392,
title = {Learning Anatomical Segmentations for Tractography from Diffusion MRI},
author = {Christian Ewert and David Kügler and Anastasia Yendiki and Martin Reuter},
journal= {arXiv preprint arXiv:2009.04392},
year = {2020}
}
备注
Christian Ewert and David K\"ugler contributed equally. Accepted at MICCAI 2020 International Workshop on Computational Diffusion MRI