TractShapeNet: Efficient Multi-Shape Learning with 3D Tractography Point Clouds

要約

脳イメージングの研究では、拡散MRIトラクトグラフィーの幾何学的形状記述子が、脳の白質経路と脳機能との関係の研究に通知できることが実証されています。
この作業では、深い学習モデルを利用して脳の白質接続の形状測定を計算する可能性を調査します。
トラクトシェイプネットの新しいフレームワークを紹介します。これは、長さ、スパン、ボリューム、総表面積、不規則性の5つの形状測定値を計算するために、トラクトグラフィーのポイントクラウド表現を活用します。
1065人の健康な若い成人を含む大規模なデータセットでのメソッドのパフォーマンスを評価します。
形状測定計算の実験は、提案されたTractshapenetが、ピアソン相関係数と正規化された誤差メトリックの両方で、他のポイントクラウドベースのニューラルネットワークモデルを上回ることを示しています。
推論ランタイムの結果を、従来の形状計算ツールDSI-Studioと比較します。
私たちの結果は、深い学習アプローチがより速く、より効率的な形状測定計算を可能にすることを示しています。
また、2つの下流の言語認知予測タスクで実験を行い、Tractshapenetの形状測定がDSI-Studioによって計算されたものと同様に機能することを示しています。
私たちのコードは、https：//github.com/slicerdmri/tractshapenetで入手できます。

要約(オリジナル)

Brain imaging studies have demonstrated that diffusion MRI tractography geometric shape descriptors can inform the study of the brain’s white matter pathways and their relationship to brain function. In this work, we investigate the possibility of utilizing a deep learning model to compute shape measures of the brain’s white matter connections. We introduce a novel framework, TractShapeNet, that leverages a point cloud representation of tractography to compute five shape measures: length, span, volume, total surface area, and irregularity. We assess the performance of the method on a large dataset including 1065 healthy young adults. Experiments for shape measure computation demonstrate that our proposed TractShapeNet outperforms other point cloud-based neural network models in both the Pearson correlation coefficient and normalized error metrics. We compare the inference runtime results with the conventional shape computation tool DSI-Studio. Our results demonstrate that a deep learning approach enables faster and more efficient shape measure computation. We also conduct experiments on two downstream language cognition prediction tasks, showing that shape measures from TractShapeNet perform similarly to those computed by DSI-Studio. Our code will be available at: https://github.com/SlicerDMRI/TractShapeNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google