纤维束成像与机器学习：现状与开放挑战
神经元与认知
2019-05-22 v1 机器学习
摘要
监督机器学习（ML）算法最近被提出作为传统纤维束成像方法的替代方案，以解决后者的一些弱点。它们可以是基于路径且局部无模型的，并易于融入解剖学先验以做出情境化与非局部的决策，从而有助于追踪过程。基于 ML 的技术因此已展示出对现有白质束更大空间范围的 promising 重建、更少的假阳性以及针对当前纤维束成像技术已知位置和形状偏差的 promising 鲁棒性。但迄今为止，这些基于 ML 的方法均未展现出结论性的性能，也未作为纤维束成像的事实解决方案被采用。原因之一可能是缺乏定义良好且广泛的框架来训练、评估和比较这些方法。本文中，我们描述了若干包含对 ML 算法有用特征的数据集和评估工具，以及近年来提出的各种方法。随后我们讨论用于评估和比较这些方法的策略及其缺陷。最后，我们描述 ML 纤维束成像方法的特殊需求并讨论未来工作的切实解决方案。
引用
@article{arxiv.1902.05568,
title = {Tractography and machine learning: Current state and open challenges},
author = {Philippe Poulin and Daniel Jörgens and Pierre-Marc Jodoin and Maxime Descoteaux},
journal= {arXiv preprint arXiv:1902.05568},
year = {2019}
}