Modeling the Shape of the Brain Connectome via Deep Neural Networks

要約

拡散強調磁気共鳴画像法（DWI）の目的は、個々の被験者の脳の構造的な連結性をin vivoで推測することである。正常な脳コネクトームと異常な脳コネクトームの変動や差異を統計的に研究するためには、神経接続の数学的モデルが必要である。本論文では、脳コネクトームをリーマン多様体として表現することで、神経結合を測地線としてモデル化することができる。このことは、DWIデータに適合するリーマン多様体、すなわち、測地線がコネクトームの個々の線維路を表すような多様体を推定するという難題につながる。我々は、この問題を非線形性の高い偏微分方程式（PDE）を解くことに還元し、この幾何学的動機に基づくPDEを解くための畳み込みエンコーダデコーダニューラルネットワーク（CEDNN）の適用可能性を研究しています。本手法は、測地線と白質経路の位置合わせに優れた性能を発揮し、従来の測地線トラコグラフィー手法の長年の課題であった交差線維を忠実に復元することができない問題に取り組んでいます。

要約(オリジナル)

The goal of diffusion-weighted magnetic resonance imaging (DWI) is to infer the structural connectivity of an individual subject’s brain in vivo. To statistically study the variability and differences between normal and abnormal brain connectomes, a mathematical model of the neural connections is required. In this paper, we represent the brain connectome as a Riemannian manifold, which allows us to model neural connections as geodesics. This leads to the challenging problem of estimating a Riemannian metric that is compatible with the DWI data, i.e., a metric such that the geodesic curves represent individual fiber tracts of the connectomics. We reduce this problem to that of solving a highly nonlinear set of partial differential equations (PDEs) and study the applicability of convolutional encoder-decoder neural networks (CEDNNs) for solving this geometrically motivated PDE. Our method achieves excellent performance in the alignment of geodesics with white matter pathways and tackles a long-standing issue in previous geodesic tractography methods: the inability to recover crossing fibers with high fidelity.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL