[论文解读] BrainSegNet : A Segmentation Network for Human Brain Fiber Tractography Data into Anatomically Meaningful Clusters

Tushar Gupta, Shreyas Malakarjun Patil+3 more|arXiv (Cornell University)|Oct 14, 2017

Advanced Neuroimaging Techniques and Applications参考文献 4被引用 8

一句话总结

BrainSegNet 是一种基于堆叠双向长短期记忆网络的深度学习模型，可自动将人类脑部纤维束成像数据分割为解剖学上有意义的簇群，涵盖宏观（白质与灰质）和微观（八条白质纤维束）两个层次。该模型在三位患者的超过25万根纤维上进行训练，在微观分类任务中达到超过95%的准确率，在白质纤维分类中实现94.98%的召回率，即使在具有挑战性的跨患者测试场景下也表现优异。

ABSTRACT

The segregation of brain fiber tractography data into distinct and anatomically meaningful clusters can help to comprehend the complex brain structure and early investigation and management of various neural disorders. We propose a novel stacked bidirectional long short-term memory(LSTM) based segmentation network, (BrainSegNet) for human brain fiber tractography data classification. We perform a two-level hierarchical classification a) White vs Grey matter (Macro) and b) White matter clusters (Micro). BrainSegNet is trained over three brain tractography data having over 250,000 fibers each. Our experimental evaluation shows that our model achieves state-of-the-art results. We have performed inter as well as intra class testing over three patient's brain tractography data and achieved a high classification accuracy for both macro and micro levels both under intra as well as inter brain testing scenario.

研究动机与目标

• 自动化分割人类脑部纤维束成像数据为解剖学上有意义的簇群，以减少对人工、耗时标注的依赖。
• 解决在个体间解剖结构差异大且数据不平衡的背景下，对脑纤维进行区分性白质纤维束分类的挑战。
• 开发一种稳健的深度学习框架，能够在保持宏观与微观分类高精度的同时，实现对不同脑结构的泛化能力。
• 通过实现可靠、可重复的纤维束分类，提升神经外科规划与神经退行性疾病研究的临床实用性。

提出的方法

• 采用堆叠的双向长短期记忆网络（LSTM）建模每条纤维的三维点轨迹序列，捕捉沿纤维的空间与方向模式。
• 采用分层两级分类：首先区分白质与灰质（宏观层次），然后将白质纤维分类为八个解剖学定义的纤维束（微观层次）。
• 提取曲率最高的固定比例点，以增强特征表示，提升不同纤维路径之间的区分能力。
• 在三个患者特异性的DTI数据集上进行模型训练，每个数据集包含超过25万根纤维，采用同患者、跨患者及合并的训练/测试策略组合。
• 以准确率与召回率作为评估指标进行优化，特别强调对少数类（白质纤维）的召回率，以应对类别不平衡问题。
• 应用数据打乱与分层抽样，确保在三位患者的所有训练与测试过程中均保持类别平衡。

实验结果

研究问题

• RQ1 深度学习模型是否能在不同个体脑部的复杂脑部分割中，实现对脑纤维束成像数据进行解剖学上有意义簇群的高精度分类？
• RQ2 在跨患者测试中，当个体间解剖变异与脑结构差异带来显著挑战时，该模型的性能表现如何？
• RQ3 与先前方法相比，使用堆叠双向LSTM在分类性能上提升了多少，特别是在稀有或低频纤维束的分类中？
• RQ4 与端到端的单层次分类相比，分层的宏观-微观分类方法是否能提升模型的泛化能力与解剖学可解释性？
• RQ5 尽管数据集中存在显著的类别不平衡，该模型是否仍能保持白质纤维的高召回率？

主要发现

• 当在同一位患者的数据上进行训练与测试时（B1），BrainSegNet在宏观分类中达到98.88%的准确率，在微观分类中达到98.12%的准确率。
• 在跨患者测试中——即在患者B2上训练并在B1与B3上测试——模型在微观分类中的准确率分别保持在93.30%与94.47%，表现出强大的泛化能力。
• 在同患者测试中，模型对白质纤维的召回率达到94.98%，显著优于先前最先进模型（Patel et al., 2016）的82.1%召回率。
• 在合并训练与测试设置下，模型在微观分类中达到96.65%的准确率，白质纤维召回率为83.46%，表明其在不同脑部解剖结构下的强大鲁棒性。
• 无论采用何种测试策略，模型性能均保持稳定，微观分类准确率始终高于93%，在最具挑战性的跨患者场景中，召回率也保持在80%以上。
• 结果表明，BrainSegNet在准确率与召回率方面均优于现有方法，尤其在数据不平衡与跨患者条件下表现突出，确立了新的最先进基准。