Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions

要約

拡散MRIトラクトグラフィーは、脳の白質結合をin vivoでマッピングすることができる高度なイメージング技術です。白質パルセレーションは、トラクトグラフィーのストリームラインをクラスタまたは解剖学的に意味のあるトラクトに分類する。これにより、全脳のトラクトグラフィーの定量化と可視化が可能になります。現在、多くの解析手法は深部白質（DWM）に焦点を当てており、表在白質（SWM）は複雑であるため、解析手法が少ないのが現状である。我々は、全脳トラクトグラフィから198のSWMクラスターを効率的かつ一貫してパーカレーションする、新しい2段階の深層学習ベースのフレームワーク、SupWMA（Superficial White Matter Analysis）を提案する。点群ベースのネットワークは、我々のSWMパーセレーションタスクに適応され、教師付き対比学習により、SWMのもっともらしい流線と外れ値の間のより識別性の高い表現が可能になる。我々は、ラベル付けされた長距離・中距離（40mm以上）のSWMクラスタからの流線サンプルと解剖学的にありえない流線サンプルを含む大規模トラクトグラフィデータセットでモデルを学習し、年齢や健康状態の異なる（新生児や空間占有型脳腫瘍患者を含む）6つの独立したデータセットでテストを実行した。いくつかの最新手法と比較して、SupWMAはすべてのデータセットで非常に一貫した正確なSWMパーセレーション結果を得ており、健康や病気における生涯にわたって良好な一般性を示している。また、SupWMAの計算速度は、他の手法と比較して非常に高速です。

要約(オリジナル)

Diffusion MRI tractography is an advanced imaging technique that enables in vivo mapping of the brain’s white matter connections. White matter parcellation classifies tractography streamlines into clusters or anatomically meaningful tracts. It enables quantification and visualization of whole-brain tractography. Currently, most parcellation methods focus on the deep white matter (DWM), whereas fewer methods address the superficial white matter (SWM) due to its complexity. We propose a novel two-stage deep-learning-based framework, Superficial White Matter Analysis (SupWMA), that performs an efficient and consistent parcellation of 198 SWM clusters from whole-brain tractography. A point-cloud-based network is adapted to our SWM parcellation task, and supervised contrastive learning enables more discriminative representations between plausible streamlines and outliers for SWM. We train our model on a large-scale tractography dataset including streamline samples from labeled long- and medium-range (over 40mm) SWM clusters and anatomically implausible streamline samples, and we perform testing on six independently acquired datasets of different ages and health conditions (including neonates and patients with space-occupying brain tumors). Compared to several state-of-the-art methods, SupWMA obtains highly consistent and accurate SWM parcellation results on all datasets, showing good generalization across the lifespan in health and disease. In addition, the computational speed of SupWMA is much faster than other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL