基于几何深度学习的解剖学非合理纤维束图滤波
神经元与认知
2020-07-10 v2 计算机视觉与模式识别
图像与视频处理
摘要
纤维束图是脑白质纤维的虚拟表示，对于术前规划、神经可塑性或脑疾病研究等任务具有首要意义。每个纤维束图由数百万条以三维折线编码的纤维组成。遗憾的是，其中很大一部分纤维在解剖学上并不合理，可视为追踪算法的伪影。常见的纤维束图滤波方法基于信号重建，这是一种原则性方法，但无法考虑脑解剖学知识。在本工作中，我们将纤维束图滤波问题作为监督学习问题来处理，利用近期一种启发式方法获得的真值标注，该方法依据公认的解剖学特性将纤维标记为解剖学合理或不合理。直观想法是将纤维建模为点云，目标是研究几何深度学习模型是否及如何捕捉其解剖学特性。我们的贡献是扩展了动态边卷积（Dynamic Edge Convolution）模型，利用纤维中点的序列关系并以高准确率区分合理/非合理纤维。
引用
@article{arxiv.2003.11013,
title = {Tractogram filtering of anatomically non-plausible fibers with geometric deep learning},
author = {Pietro Astolfi and Ruben Verhagen and Laurent Petit and Emanuele Olivetti and Jonathan Masci and Davide Boscaini and Paolo Avesani},
journal= {arXiv preprint arXiv:2003.11013},
year = {2020}
}
备注
Accepted at MICCAI2020