Neuro4Neuro：基于大规模人群扩散成像利用神经网络进行神经束分割的方法
图像与视频处理
2020-05-27 v1 机器学习
医学物理
摘要
白质（WM）微结构的细微变化已与正常衰老和神经退行性变相关联。为更详细地研究这些关联，从脑扩散 MRI 中准确且可重复地表征 WM 神经束至关重要。此外，为能在大型数据集和临床实践中分析 WM 神经束，拥有快速且易于应用的方法必不可少。因此，本工作提出一种 WM 神经束分割的新方法：Neuro4Neuro，其能够利用卷积神经网络（CNN）从扩散张量图像中直接提取 WM 神经束。该三维端到端方法经训练，可从一项大型人群研究（N=9752，1.5T MRI）中分割老年个体的 25 条 WM 神经束。所提方法展现出良好的分割性能和高可重复性，即高空间一致性（Cohen's kappa，k = 0.72 ~ 0.83）以及神经束特异性扩散指标中较低的扫描-重扫误差（例如，分数各向异性：误差 = 1% ~ 5%）。所提方法的可重复性高于基于纤维追踪的分割算法，同时速度快几个数量级（分割一条神经束需 0.5 秒）。此外，我们展示了该方法能成功泛化至外部痴呆数据集（N=58，3T MRI）的扩散扫描。在两项原理验证实验中，我们将所提方法获得的 WM 微结构与正常老年人群中的年龄以及痴呆队列中的疾病亚型相关联。与文献一致，结果显示随衰老微结构组织广泛减少，且痴呆亚型间存在显著的组间微结构差异。总之，我们提出了一种高可重复性且快速的 WM 神经束分割方法，有潜力用于大规模研究与临床实践。
引用
@article{arxiv.2005.12838,
title = {Neuro4Neuro: A neural network approach for neural tract segmentation using large-scale population-based diffusion imaging},
author = {Bo Li and Marius de Groot and Rebecca M. E. Steketee and Rozanna Meijboom and Marion Smits and Meike W. Vernooij and M. Arfan Ikram and Jiren Liu and Wiro J. Niessen and Esther E. Bron},
journal= {arXiv preprint arXiv:2005.12838},
year = {2020}
}
备注
Preprint to be published in NeuroImage