TractCloud-FOV：视野不全的扩散 MRI 中基于深度学习的稳健纤维束追踪分区
计算机视觉与模式识别
2025-03-07 v2
摘要
纤维束追踪分区将扩散 MRI 重建的流线分类为解剖学定义的纤维束，以供临床和科研使用。然而，临床扫描通常具有不完整的视野（FOV），导致脑部区域仅被部分成像，从而产生残缺或截断的纤维束。为应对这一挑战，我们引入了 TractCloud-FOV，一种在不完整 FOV 条件下能够稳健进行纤维束追踪分区的深度学习框架。我们提出了一种新颖的训练策略——FOV 切割增强（FOV-CA），通过合成切割纤维束图来模拟一系列真实世界中的下方 FOV 截断场景。这种数据增强方法用逼真的截断流线丰富了训练集，使模型能够实现卓越的泛化能力。我们在合成切割的纤维束追踪数据和两个真实的不完整 FOV 数据集上评估了所提出的 TractCloud-FOV。在所有测试数据集上，TractCloud-FOV 在流线分类准确率、泛化能力、纤维束解剖描绘以及计算效率方面均显著优于多种 state-of-the-art 方法。总体而言，TractCloud-FOV 在 FOV 不完整的扩散 MRI 中实现了高效且一致的纤维束追踪分区。
引用
@article{arxiv.2502.20637,
title = {TractCloud-FOV: Deep Learning-based Robust Tractography Parcellation in Diffusion MRI with Incomplete Field of View},
author = {Yuqian Chen and Leo Zekelman and Yui Lo and Suheyla Cetin-Karayumak and Tengfei Xue and Yogesh Rathi and Nikos Makris and Fan Zhang and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2502.20637},
year = {2025}
}