TractGeoNet：用于纤维束微结构逐点分析以预测语言评估表现的几何深度学习框架
计算机视觉与模式识别
2023-07-11 v1
摘要
我们提出了一种基于几何深度学习的框架 TractGeoNet，用于利用扩散磁共振成像（dMRI）纤维束成像及相关的逐点组织微结构测量进行回归。通过采用点云表示，TractGeoNet 可以直接利用纤维束内所有点的逐点组织微结构和位置信息。为提高回归性能，我们提出了一种新颖的损失函数——配对连体回归损失（Paired-Siamese Regression loss），它鼓励模型专注于准确预测回归标签分数之间的相对差异，而不仅仅是其绝对值。此外，我们提出了一种关键区域定位算法，以识别白质纤维束中对回归任务具有高预测性的解剖区域。我们使用来自 Human Connectome Project 的 806 名受试者的 20 条联想白质纤维束的数据集，通过预测个体在两项语言神经心理学评估上的表现来评估所提方法的有效性。结果表明，TractGeoNet 的预测性能优于几种流行的回归模型。在研究的二十条纤维束中，我们发现左侧弓状束对两项所研究语言表现评估的预测性最高。定位的关键区域分布广泛，横跨两侧大脑半球和所有脑叶，包括被认为对语言功能重要的脑区，如颞上回和颞前区、额下回岛盖部以及中央前回。总体而言，TractGeoNet 展示了几何深度学习在加强脑白质纤维束研究并将其结构与人类语言表现等特质相关联方面的潜力。
引用
@article{arxiv.2307.03982,
title = {TractGeoNet: A geometric deep learning framework for pointwise analysis of tract microstructure to predict language assessment performance},
author = {Yuqian Chen and Leo R. Zekelman and Chaoyi Zhang and Tengfei Xue and Yang Song and Nikos Makris and Yogesh Rathi and Alexandra J. Golby and Weidong Cai and Fan Zhang and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2307.03982},
year = {2023}
}
备注
28 pages, 7 figures