FIESTA: Autoencoders for accurate fiber segmentation in tractography

要約

白質束セグメンテーションは、神経疾患、神経外科、老化などの領域における脳の構造的接続性を研究するための現代のトラクトグラフィーの基礎です。
この研究では、白質束を分析して完全に埋め込むことができるディープオートエンコーダーに基づいた、信頼性が高く堅牢で完全に自動化され、簡単に半自動で校正されるパイプラインである FIESTA (FIbEr Segmentation in Tractography using Autoencoders) を紹介します。
このパイプラインは、トラクトグラフィーにおけるフィルタリングの合理化、バンドルのセグメンテーション、生成の合理化にオートエンコーダをどのようにうまく使用できるかを実証した以前の研究に基づいて構築されています。
我々の提案手法は、対象バンドルとアトラスバンドルの潜在空間シード処理による生成サンプリングにより追跡困難なバンドルを回復することにより、バンドルセグメンテーションカバレッジを向上させます。
流線の潜在空間は、オートエンコーダーベースのモデリングと対照学習を組み合わせて使用​​して学習されます。
標準空間におけるバンドルのアトラス (MNI) を使用して、提案された方法は、バンドルのアトラス内の各トラクトグラム流線とその最も近い隣接バンドルの間のオートエンコーダ潜在距離を使用して、新しいトラクトグラムをセグメント化します。
オートエンコーダーを使用して新しい流線を生成し、解剖学的に正確な状態を保ちながら各束の空間範囲を拡大することで、追跡が困難な流線を回復することで、被験者内の線束の信頼性が向上します。
結果は、私たちの方法が、RecoBundles、RecoBundlesX、TractSeg、白質分析、XTRACT などの最先端の自動仮想解剖方法よりも信頼性が高いことを示しています。
私たちのフレームワークでは、最小限のキャリブレーション作業で、ある解剖学的バンドル定義から別の解剖学的バンドル定義への移行が可能になります。
全体として、これらの結果は、私たちのフレームワークが現在の最先端のバンドル セグメンテーション フレームワークの実用性と使いやすさを向上させていることを示しています。

要約(オリジナル)

White matter bundle segmentation is a cornerstone of modern tractography to study the brain’s structural connectivity in domains such as neurological disorders, neurosurgery, and aging. In this study, we present FIESTA (FIbEr Segmentation in Tractography using Autoencoders), a reliable and robust, fully automated, and easily semi-automatically calibrated pipeline based on deep autoencoders that can dissect and fully populate white matter bundles. This pipeline is built upon previous works that demonstrated how autoencoders can be used successfully for streamline filtering, bundle segmentation, and streamline generation in tractography. Our proposed method improves bundle segmentation coverage by recovering hard-to-track bundles with generative sampling through the latent space seeding of the subject bundle and the atlas bundle. A latent space of streamlines is learned using autoencoder-based modeling combined with contrastive learning. Using an atlas of bundles in standard space (MNI), our proposed method segments new tractograms using the autoencoder latent distance between each tractogram streamline and its closest neighbor bundle in the atlas of bundles. Intra-subject bundle reliability is improved by recovering hard-to-track streamlines, using the autoencoder to generate new streamlines that increase the spatial coverage of each bundle while remaining anatomically correct. Results show that our method is more reliable than state-of-the-art automated virtual dissection methods such as RecoBundles, RecoBundlesX, TractSeg, White Matter Analysis and XTRACT. Our framework allows for the transition from one anatomical bundle definition to another with marginal calibration efforts. Overall, these results show that our framework improves the practicality and usability of current state-of-the-art bundle segmentation framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google