以神经示踪数据为参照的扩散MRI纤维追踪优化与验证
医学物理
2020-04-28 v2 图像与视频处理
定量方法
摘要
扩散加权磁共振成像（dMRI）可对全脑连接进行非侵入性研究，有望揭示大脑全局网络架构以及神经与精神疾病中的异常。然而，基于dMRI的纤维追踪连接推断的可靠性仍存争议，因其灵敏度低、假阳性占主导，且对长程连接的重建不准确、不完整。此外，追踪算法参数通常以启发式方式调整，这为操纵预期结果留下了空间。本文提出一种数据驱动框架，以神经示踪数据为参照，优化并验证基于dMRI的纤维追踪算法参数。日本Brain/MINDS项目提供了宝贵的数据集，包含同一灵长类动物的dMRI与神经示踪数据。我们考虑了纤维追踪优度的四个准则：距离加权覆盖度、真/假阳性比、投射重合度和连合通路，并采用多目标优化算法。我们实现了非支配排序遗传算法II（NSGA-II）的一种变体，以在多个脑样本上并行优化全局纤维追踪算法的五个主要参数。与默认参数相比，使用优化参数显著提升了基于dMRI的纤维追踪性能，同时最小化了假阳性和不可能的跨半球连接。针对10个示踪注射位点优化的参数对其他脑样本表现出良好的泛化能力。这些结果证明了纤维追踪算法数据驱动调整的重要性，并支持在采用适当调整时基于dMRI的纤维束成像的有效性。
引用
@article{arxiv.1911.13215,
title = {Optimization and Validation of Diffusion MRI-based Fiber Tracking with Neural Tracer Data as a Reference},
author = {Carlos Enrique Gutierrez and Henrik Skibbe and Ken Nakae and Hiromichi Tsukada and Jean Lienard and Akiya Watakabe and Junichi Hata and Marco Reisert and Alexander Woodward and Hideyuki Okano and Tetsuo Yamamori and Yoko Yamaguchi and Shin Ishii and Kenji Doya},
journal= {arXiv preprint arXiv:1911.13215},
year = {2020}
}