浅层白质分析：一种基于点云、带监督对比学习的高效深度学习框架，用于跨人群与 dMRI 采集的一致纤维束成像分割
图像与视频处理
2023-01-25 v3 计算机视觉与模式识别
机器学习
定量方法
摘要
扩散 MRI 纤维束成像是一种先进的成像技术，能够实现脑白质连接的活体映射。白质分割将纤维束成像流线分类为簇或解剖学有意义的纤维束，从而实现全脑纤维束成像的量化与可视化。目前，大多数分割方法聚焦于深白质（DWM），而由于浅层白质（SWM）的复杂性，针对它的方法较少。我们提出了一种新颖的基于深度学习的两阶段框架——浅层白质分析（SupWMA），可从全脑纤维束成像中高效且一致地分割出 198 个 SWM 簇。我们将基于点云的网络适配于 SWM 分割任务，并通过监督对比学习在合理流线与离群值之间获得更具判别性的表示。我们在大规模纤维束成像数据集上训练模型，该数据集包含来自标记的长程与中程（超过 40 mm）SWM 簇的流线样本以及解剖学不合理流线样本，并在六个独立采集的、不同年龄与健康条件（包括新生儿与占位性脑肿瘤患者）的数据集上进行测试。与几种最先进（SOTA）方法相比，SupWMA 在所有数据集上获得了高度一致且准确的 SWM 分割结果，显示出在健康与疾病全生命周期中的良好泛化能力。此外，SupWMA 的计算速度远快于其他方法。
引用
@article{arxiv.2207.08975,
title = {Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions},
author = {Tengfei Xue and Fan Zhang and Chaoyi Zhang and Yuqian Chen and Yang Song and Alexandra J. Golby and Nikos Makris and Yogesh Rathi and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2207.08975},
year = {2023}
}
备注
Accepted by Medical Image Analysis