DFC: Anatomically Informed Fiber Clustering with Self-supervised Deep Learning for Fast and Effective Tractography Parcellation

要約

白質繊維クラスタリング（WMFC）は、健康および疾患における白質接続の定量的解析を可能にする、白質パーセレーションにおける重要な戦略である。WMFCは通常、ラベル付けされたグランドトゥルースデータを必要とせず、教師なし方式で実行される。広く使用されているWMFCアプローチは、古典的な機械学習技術を使用して良好な性能を示しているが、最近の深層学習の進歩は、高速かつ効果的なWMFCに向けた有望な方向性を明らかにするものである。本研究では、WMFCのための新しい深層学習フレームワーク、Deep Fiber Clustering (DFC)を提案する。これは、教師なしクラスタリング問題を、ペアワイズファイバー距離を予測するドメイン固有のプリテキストタスクを持つ自己教師付き学習タスクとして解決するものである。これにより、WMFCにおける既知の課題である、繊維に沿った点順序に対するクラスタリング結果の感度を、繊維表現学習で扱うことができるようになる。我々は、入力繊維を点群として表現する新しいネットワークアーキテクチャを設計し、灰白質パルセレーションからの入力情報の追加ソースを取り込むことを可能にする。このようにDFCは、白質繊維の幾何学的形状と灰白質解剖学の情報を組み合わせて利用し、繊維クラスターの解剖学的コヒーレンスを向上させることができる。さらに、DFCは、クラスタ割り当て確率の低い繊維を拒否することにより、自然な方法で異常値除去を行う。我々は、性別、年齢（若年者と高齢者）、健康状態（健常者と複数の精神神経疾患）の異なる220人のデータを含む、独立して取得した3つのコホートで、DFCを評価した。我々は、DFCをいくつかの最新のWMFCアルゴリズムと比較した。実験結果は、クラスタのコンパクトさ、汎化能力、解剖学的コヒーレンス、計算効率の面でDFCの優れた性能を示している。

要約(オリジナル)

White matter fiber clustering (WMFC) is an important strategy for white matter parcellation, which enables quantitative analysis of white matter connections in health and disease. WMFC is usually performed in an unsupervised manner without the need of labeled ground truth data. While widely used WMFC approaches have shown good performance using classical machine learning techniques, recent advances in deep learning reveal a promising direction towards fast and effective WMFC. In this work, we propose a novel deep learning framework for WMFC, Deep Fiber Clustering (DFC), which solves the unsupervised clustering problem as a self-supervised learning task with a domain-specific pretext task to predict pairwise fiber distances. This enables the fiber representation learning to handle a known challenge in WMFC, i.e., the sensitivity of clustering results to the point ordering along fibers. We design a novel network architecture that represents input fibers as point clouds and allows the incorporation of additional sources of input information from gray matter parcellation. Thus DFC makes use of combined information about white matter fiber geometry and gray matter anatomy to improve anatomical coherence of fiber clusters. In addition, DFC conducts outlier removal in a natural way by rejecting fibers with low cluster assignment probability. We evaluate DFC on three independently acquired cohorts, including data from 220 individuals across genders, ages (young and elderly adults), and different health conditions (healthy control and multiple neuropsychiatric disorders). We compare DFC to several state-of-the-art WMFC algorithms. Experimental results demonstrate superior performance of DFC in terms of cluster compactness, generalization ability, anatomical coherence, and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL