TractShapeNet：利用3D纤维束成像点云进行高效多形状学习
计算机视觉与模式识别
2025-02-17 v4 人工智能
摘要
脑成像研究表明，扩散 MRI 纤维束成像的几何形状描述符可以为研究大脑白质通路及其与脑功能的关系提供信息。在这项工作中，我们探讨了利用深度学习模型计算大脑白质连接形状度量的可能性。我们引入了一个新颖的框架 TractShapeNet，它利用纤维束成像的点云表示来计算五种形状度量：长度、跨度、体积、总表面积和不规则度。我们在一个包含 1065 名健康年轻成年人的大型数据集上评估了该方法的性能。形状度量计算实验表明，我们提出的 TractShapeNet 在皮尔逊相关系数和归一化误差指标方面均优于其他基于点云的神经网络模型。我们将推理运行时间结果与传统的形状计算工具 DSI-Studio 进行了比较。我们的结果表明，深度学习方法能够实现更快、更高效的形状度量计算。我们还对两个下游语言认知预测任务进行了实验，表明 TractShapeNet 计算出的形状度量与 DSI-Studio 计算出的性能相似。我们的代码将发布在：https://github.com/SlicerDMRI/TractShapeNet。
引用
@article{arxiv.2410.22099,
title = {TractShapeNet: Efficient Multi-Shape Learning with 3D Tractography Point Clouds},
author = {Yui Lo and Yuqian Chen and Dongnan Liu and Jon Haitz Legarreta and Leo Zekelman and Fan Zhang and Jarrett Rushmore and Yogesh Rathi and Nikos Makris and Alexandra J. Golby and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2410.22099},
year = {2025}
}
备注
10 pages, 2 figures, 4 tables. This work has been accepted to 2025 IEEE 22nd International Symposium on Biomedical Imaging (ISBI)