[论文解读] Filtering in tractography using autoencoders (FINTA)

Jon Haitz Legarreta, Laurent Petit+5 more|arXiv (Cornell University)|Oct 7, 2020

Advanced Neuroimaging Techniques and Applications被引用 3

一句话总结

FINTA 提出了一种无监督深度学习框架，利用自编码器从无标签的纤维束图中学习稳健的纤维轨迹表征，从而实现对解剖学上不合理的纤维束的精确过滤。该方法在区分合理与不合理的纤维束方面准确率超过90%，优于最先进的方法（如 RecoBundles），并能跨多种追踪方法和部分纤维束图泛化。

ABSTRACT

Current brain white matter fiber tracking techniques show a number of problems, including: generating large proportions of streamlines that do not accurately describe the underlying anatomy; extracting streamlines that are not supported by the underlying diffusion signal; and under-representing some fiber populations, among others. In this paper, we describe a novel autoencoder-based learning method to filter streamlines from diffusion MRI tractography, and hence, to obtain more reliable tractograms. Our method, dubbed FINTA (Filtering in Tractography using Autoencoders) uses raw, unlabeled tractograms to train the autoencoder, and to learn a robust representation of brain streamlines. Such an embedding is then used to filter undesired streamline samples using a nearest neighbor algorithm. Our experiments on both synthetic and in vivo human brain diffusion MRI tractography data obtain accuracy scores exceeding the 90\% threshold on the test set. Results reveal that FINTA has a superior filtering performance compared to conventional, anatomy-based methods, and the RecoBundles state-of-the-art method. Additionally, we demonstrate that FINTA can be applied to partial tractograms without requiring changes to the framework. We also show that the proposed method generalizes well across different tracking methods and datasets, and shortens significantly the computation time for large (>1 M streamlines) tractograms. Together, this work brings forward a new deep learning framework in tractography based on autoencoders, which offers a flexible and powerful method for white matter filtering and bundling that could enhance tractometry and connectivity analyses.

研究动机与目标

• 解决扩散磁共振成像纤维束图中持续存在大量解剖学上不合理的纤维束的挑战。
• 开发一种数据驱动的无监督过滤方法，无需依赖标注训练数据或先验解剖知识。
• 通过去除假阳性连接和虚假纤维束，提高轨迹测量和连接组分析的可靠性。
• 构建一种可泛化的高效框架，适用于不同追踪算法和部分纤维束图，且无需重新训练。
• 在保留生物学上有意义的神经纤维束的同时，实现对大规模纤维束图（>100万条纤维束）的快速、可扩展过滤。

提出的方法

• 该方法采用3D卷积自编码器，从原始无标签纤维束图中学习纤维束的低维、解耦表征。
• 编码器将每条纤维束映射为紧凑的嵌入向量，以捕捉纤维轨迹的结构和几何特征。
• 使用最近邻算法基于学习到的嵌入向量对纤维束进行分类，以区分‘合理’与‘不合理’纤维束。
• 通过标注一小部分纤维束确定过滤阈值，从而实现无需重新训练即可迁移至新纤维束图。
• 该框架通过学习到的嵌入重新定义纤维束间距离，使方法可灵活应用于除合理/不合理分类之外的多种过滤任务。
• 自编码器在来自多种来源的纤维束图上端到端训练，从而实现跨数据集和追踪方法的泛化能力。

实验结果

研究问题

• RQ1 无监督自编码器能否学习到稳健且解耦的脑纤维束表征，以捕捉解剖学合理性？
• RQ2 此类学习到的表征能否在无需标注数据或先验解剖约束的情况下，实现对不合理纤维束的精确过滤？
• RQ3 FINTA 的过滤性能与传统基于解剖学的方法以及最先进的技术（如 RecoBundles）相比如何？
• RQ4 FINTA 在不同追踪算法、部分纤维束图和数据集上的泛化能力如何？
• RQ5 该方法是否能显著减少大规模纤维束图的计算时间，同时保留具有生物学意义的纤维束？

主要发现

• FINTA 在合成数据和在体人类脑数据上对合理与不合理纤维束的测试集准确率均超过90%。
• 该方法在过滤性能上优于传统的基于解剖学的过滤技术以及最先进的 RecoBundles 方法。
• FINTA 在无需重新训练或修改网络架构的情况下，有效泛化于不同追踪方法和数据集。
• 该框架成功过滤了部分纤维束图，证明了其对不完整或稀疏纤维束分布的鲁棒性。
• FINTA 显著减少了大规模纤维束图（>100万条纤维束）的计算时间，实现了可扩展处理。
• 该方法在复杂区域（如胼胝体）成功保留了关键白质纤维束，尽管在稀疏纤维束区域（如 callosal BIL&GIN 数据集）性能略有下降。