[论文解读] Tractogram filtering of anatomically non-plausible fibers with geometric deep learning

Pietro Astolfi, Ruben Verhagen+5 more|arXiv (Cornell University)|Mar 24, 2020

Advanced Neuroimaging Techniques and ApplicationsMedicine参考文献 25被引用 18

一句话总结

本文提出一种基于几何深度学习的方法，采用改进的动态边缘卷积（sDEC）模型，通过将每条纤维视为点云并利用点之间的局部几何关系，过滤掉解剖学上不合理的纤维。该方法在区分合理与不合理纤维方面准确率超过95%，在GPU上对包含100万根纤维的纤维束图进行推理时间少于50秒，且在曲率和长度变化下表现出优于基线模型的鲁棒性。

ABSTRACT

Tractograms are virtual representations of the white matter fibers of the brain. They are of primary interest for tasks like presurgical planning, and investigation of neuroplasticity or brain disorders. Each tractogram is composed of millions of fibers encoded as 3D polylines. Unfortunately, a large portion of those fibers are not anatomically plausible and can be considered artifacts of the tracking algorithms. Common methods for tractogram filtering are based on signal reconstruction, a principled approach, but unable to consider the knowledge of brain anatomy. In this work, we address the problem of tractogram filtering as a supervised learning problem by exploiting the ground truth annotations obtained with a recent heuristic method, which labels fibers as either anatomically plausible or non-plausible according to well-established anatomical properties. The intuitive idea is to model a fiber as a point cloud and the goal is to investigate whether and how a geometric deep learning model might capture its anatomical properties. Our contribution is an extension of the Dynamic Edge Convolution model that exploits the sequential relations of points in a fiber and discriminates with high accuracy plausible/non-plausible fibers.

研究动机与目标

• 解决扩散MRI纤维追踪生成的纤维束图中持续存在的伪影及解剖学上不合理的纤维问题。
• 探究几何深度学习模型是否能有效从纤维的点云表示中学习解剖学合理性。
• 开发一种快速、准确且可泛化的过滤方法，优于传统的信号重建和序列模型。
• 研究纤维长度和曲率对分类性能及模型鲁棒性的影响。

提出的方法

• 该方法将每条纤维视为三维点云，并采用改进的动态边缘卷积（sDEC）模型，以捕捉点之间的局部几何关系。
• sDEC模型设计为排列不变且对点序列顺序不敏感，确保在不同点序下性能保持稳定。
• 采用基于规则的启发式方法（ExTractor）提供训练用的真实标签，将纤维分类为解剖学合理（P）或不合理（nP）。
• 利用这些标签以监督方式训练模型，通过多个受试者的准确率、精确率、召回率和F1分数评估性能。
• 将该方法与双向LSTM（bLSTM）和标准PointNet（PN）模型进行对比，以评估在灵活性和准确率方面的改进。
• 该方法已作为BrainLife应用发布并开源，包含代码和20个标注纤维束图的数据集，以确保可复现性。

实验结果

研究问题

• RQ1 几何深度学习模型能否有效从纤维的三维点云表示中学习解剖学合理性？
• RQ2 sDEC在不同纤维长度和曲率下过滤非合理纤维的性能与bLSTM和PointNet相比如何？
• RQ3 模型对点序和几何结构的鲁棒性在多大程度上提升了分类准确率？
• RQ4 不同类型纤维形态下的误报和误报误差分布有何差异？

主要发现

• sDEC模型在区分解剖学合理与不合理的纤维方面，平均准确率超过95%，且在不同受试者间标准差较低。
• 该模型在NVIDIA Titan Xp GPU上对约100万根纤维的完整纤维束图进行过滤的时间少于46.2秒。
• sDEC在处理长且高度弯曲的纤维时优于bLSTM和PointNet，相比PointNet将假阳性错误减少了40%。
• 误差分析显示，PointNet对长且弯曲的纤维存在显著偏向，倾向于将其分类为合理，导致更高的假阳性率。
• 该模型表现出强泛化能力，即使在面对ExTractor启发式方法产生的噪声或不一致的真实标签时仍保持高准确率。
• sDEC模型通过建模点之间的局部几何边，在复杂弯曲路径中展现出竞争优势。