[论文解读] Tract orientation mapping for bundle-specific tractography

Jakob Wasserthal, Peter Neher+1 more|arXiv (Cornell University)|Jun 14, 2018

Advanced Neuroimaging Techniques and Applications参考文献 8被引用 7

一句话总结

本文提出了一种名为TOM（Tract Orientation Mapping）的深度学习方法，通过从fODF主峰回归到代表主要白质纤维束的定向图，学习纤维束特异的纤维束成像先验。采用2D编码器-解码器全卷积神经网络（FCNN），TOM在无需全脑纤维束成像或图谱配准的情况下，实现了高精度、快速（每例少于2分钟）且解剖学上一致的纤维束成像，其Dice分数、角度误差和运行时间均优于当前最先进方法。

ABSTRACT

While the major white matter tracts are of great interest to numerous studies in neuroscience and medicine, their manual dissection in larger cohorts from diffusion MRI tractograms is time-consuming, requires expert knowledge and is hard to reproduce. Tract orientation mapping (TOM) is a novel concept that facilitates bundle-specific tractography based on a learned mapping from the original fiber orientation distribution function (fODF) peaks to a list of tract orientation maps (also abbr. TOM). Each TOM represents one of the known tracts with each voxel containing no more than one orientation vector. TOMs can act as a prior or even as direct input for tractography. We use an encoder-decoder fully-convolutional neural network architecture to learn the required mapping. In comparison to previous concepts for the reconstruction of specific bundles, the presented one avoids various cumbersome processing steps like whole brain tractography, atlas registration or clustering. We compare it to four state of the art bundle recognition methods on 20 different bundles in a total of 105 subjects from the Human Connectome Project. Results are anatomically convincing even for difficult tracts, while reaching low angular errors, unprecedented runtimes and top accuracy values (Dice). Our code and our data are openly available.

研究动机与目标

• 为解决扩散MRI中白质纤维束手动分割耗时、繁琐且不可重复的问题。
• 通过学习直接的纤维束特异性定向先验，消除对全脑纤维束成像、图谱配准和聚类的依赖。
• 开发一种深度学习框架，将fODF主峰映射为纤维束特异性定向图（TOM），用作纤维束成像的先验或直接输入。
• 在纤维束特异性纤维束成像中建立新的准确度、运行时间和解剖学合理性基准。

提出的方法

• 训练一个具有编码器-解码器结构和跳跃连接的全卷积神经网络（FCNN），将9通道的3D fODF主峰图像映射为60通道的20个纤维束特异性定向图。
• 通过沿y轴的2D切片降低内存使用量，同时保持空间分辨率，输入的fODF主峰来自约束球面反卷积（CSD）。
• 采用自定义损失函数，结合加权余弦相似度与l2范数的均方误差，以处理背景与纤维束体素之间的类别不平衡问题。
• 在105例HCP受试者上进行训练，参考纤维束为半自动生成，学习率为0.001，使用Adamax优化。
• TOM输出可用作纤维束成像的先验，或直接作为方向场输入，实现纤维束特异性纤维追踪。
• 该方法避免了图谱配准、聚类和全脑纤维束成像，从而简化了处理流程。

实验结果

研究问题

• RQ1 深度学习模型能否在无需全脑纤维束成像的情况下，直接从fODF主峰学习到准确的纤维束特异性定向图？
• RQ2 在20个主要白质纤维束上，TOM在Dice分数、角度误差和运行时间方面与最先进方法相比如何？
• RQ3 TOM能否即使在复杂且重叠的纤维束情况下，仍能生成解剖学上一致且完整的纤维束？
• RQ4 与仅使用fODF主峰相比，将TOM用作先验或直接输入是否能提升纤维束成像的准确性？

主要发现

• 在所有20个纤维束中，TOM的Dice分数均最高，优于RecoBundles、TractQuerier、WMA和图谱配准方法。
• 该方法实现了较低的角度误差，预测的TOM主峰与参考主峰之间的角度偏差低于原始fODF主峰。
• TOM在每例少于2分钟内完成纤维束重建，比第二快的方法（图谱配准，约11分钟）快五倍以上。
• 基于TOM的纤维束成像生成了空间上一致且完整的纤维束，无假阳性结果；而基于确定性纤维束图的RecoBundles遗漏了如外侧皮质脊髓束投影等关键结构。
• 直接使用TOM进行纤维束成像的结果比从TOM中选择主峰更平滑、更准确，且角度误差更低。
• 该方法在具有挑战性的纤维束（如弓状纤维束和皮质脊髓束）上表现出鲁棒性，假阳性极少。