TractCloud：基于新颖局部-全局流线点云表示的免配准纤维束成像分割
计算机视觉与模式识别
2023-07-19 v1
摘要
扩散 MRI 纤维束成像分割将流线分类为解剖纤维束，以实现临床和科学应用中的量化与可视化。当前的纤维束成像分割方法严重依赖配准，但配准误差会影响分割效果，且配准对大规模数据集的计算成本很高。近来，基于深度学习的方法被提出用于纤维束成像分割，采用多种流线表示。然而，这些方法仅关注单条流线的信息，忽略了脑内流线间的几何关系。我们提出 TractCloud，一种直接在个体受试者空间中进行全脑纤维束成像分割的免配准框架。我们提出一种新颖的可学习局部-全局流线表示，利用邻近及全脑流线的信息来描述脑的局部解剖与全局位姿。我们在一个大规模标注纤维束成像数据集上训练框架，并通过施加包括旋转、缩放和平移的合成变换进行数据增强。我们在跨人群与健康状态的五个独立采集数据集上测试框架。TractCloud 在所有测试数据集上显著优于多种最先进方法。TractCloud 实现了跨生命周期（从新生儿到老年受试者，包括脑肿瘤患者）的高效且一致的全脑白质分割，无需配准。TractCloud 的鲁棒性与高推理速度使其适用于大规模纤维束成像数据分析。我们的项目页面位于 https://tractcloud.github.io/。
引用
@article{arxiv.2307.09000,
title = {TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation},
author = {Tengfei Xue and Yuqian Chen and Chaoyi Zhang and Alexandra J. Golby and Nikos Makris and Yogesh Rathi and Weidong Cai and Fan Zhang and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2307.09000},
year = {2023}
}
备注
MICCAI 2023