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

要約

脳画像研究では、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情報を提供できることが実証されています。
この研究では、深層学習モデルを利用して脳の白質結合の形状測定を計算する可能性を調査します。
トラクトグラフィーの点群表現を利用して、長さ、スパン、体積、総表面積、不規則性の 5 つの形状測定値を計算する新しいフレームワーク、TractShapeNet を紹介します。
1,065 人の健康な若者を含む大規模なデータセットでこの方法のパフォーマンスを評価します。
形状測定計算の実験では、私たちが提案した TractShapeNet が、ピアソン相関係数と正規化された誤差メトリクスの両方において他の点群ベースのニューラル ネットワーク モデルよりも優れていることが実証されました。
推論実行時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、深層学習アプローチにより、より高速かつ効率的な形状測定の計算が可能になることを示しています。
また、2 つの下流言語認識予測タスクに関する実験も実施し、TractShapeNet からの形状測定が 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ました。
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