基于几何深度学习的有监督纤维束图滤波

纤维束图是脑白质的虚拟表示，由数百万条虚拟纤维组成，这些纤维被编码为近似白质轴突通路的 3D 折线。迄今为止，纤维束图是最准确的白质表示，因此被用于如术前规划和神经可塑性、脑疾病或脑网络研究等任务。然而，一个众所周知的问题是，大量纤维束图纤维在解剖学上不可信，可被视为追踪过程的伪影。借助 Verifyber，我们采用一种新颖的全监督学习方法来解决滤除此类不可信纤维的问题。与基于信号重建和/或脑拓扑正则化的其他方法不同，我们利用白质的现有解剖学知识来引导我们的方法。使用依据解剖学原理标注的纤维束图，我们将模型 Verifyber 训练为将纤维分类为解剖学可信或不可信。所提出的 Verifyber 模型是一种原创的几何深度学习方法，能够处理变长纤维，同时对纤维方向具有不变性。我们的模型将每条纤维视为一个点图，并通过所提出的序列边卷积（Edge Convolution）学习连续点之间边的特征，从而捕捉潜在的解剖学属性。输出的滤波结果在大量实验中高度准确且鲁棒，并且快速；使用 12GB GPU，滤波含 100 万条纤维的纤维束图所需时间不到一分钟。Verifyber 的实现与训练好的模型可在 https://github.com/FBK-NILab/verifyber 获取。