MRトラクトグラフィーデータの繊維距離ベースの教師のクラスタリング

背景：拡散テンソルイメージングからのMRトラクトグラフィーは、人間の脳の白質経路を探索するための非侵襲的な方法を提供します。ただし、これらのデータから信頼できる解剖学的情報を抽出するという課題は、信頼できる効果的なクラスタリング方法論の使用です。このホワイトペーパーでは、ノイズ（DBSCAN）アルゴリズムを使用したアプリケーションの密度ベースの空間クラスタリングを使用して、MRトラクトグラフィデータから堅牢な非監視されていないクラスタリング方法の新しいバージョンを実装しました。 新しい方法：MRトラクトグラフィデータのための従来のDBSCANクラスタリング方法は、各ファイバーの開始点とエンドポイント、および開始点とエンド間の距離を使用します。代わりに、この研究では、DBSCANクラスタリングのトラクトグラフィデータセットからすべての繊維の組み合わせに対して生成された繊維距離マトリックスを抽出して使用しました。クラスター安定性インデックス（CSI）で生成された値に従って選択された、近隣の2つのDBSCANパラメーター最小点数と最大半径は選択されました。 結果：提案されたCSI-Optimized DBSCANベースのクラスタリング法を実行して、優れた縦方向の束皮のMRトラクトグラフィーデータを生成し、神経解剖学的に関連する6つの堅牢で重複していないクラスターを生成しました。 既存の方法との比較：従来のDBSCANベースのクラスタリング方法は、ファイバーの形状と繊維の位置の逸脱により、クラスタリング結果に固有の誤差の可能性があります。提案された方法は、ファイバーの軌跡や繊維の位置の偏差によって引き起こされるクラスタリングエラーを示さなかった。 結論：MRトラクトグラフィデータのために、新しい堅牢なDBSCANベースのファイバークラスタリング方法を実装しました。CSI-Optimized DBSCANベースの監視されていないクラスタリングは、神経結合と脳の繊維構造の調査に適用できます。

BACKGROUND: MR tractography from diffusion tensor imaging provides a non-invasive way to explore white matter pathways in the human brain. However, a challenge to extracting reliable anatomical information from these data is the use of reliable and effective clustering methodologies. In this paper, we implemented a new version of a robust unsupervised clustering method from MR tractography data using the density-based spatial clustering of applications with noise (DBSCAN) algorithm. NEW METHOD: Conventional DBSCAN clustering methods for MR tractography data use each fiber's start and end point as well as the distance between start and end points. Instead, in this study, we extracted and used a fiber-distance matrix generated for all fiber combinations from the tractography dataset in DBSCAN clustering. The two DBSCAN parameters-minimum point number and maximum radius of the neighborhood-were selected according to the value generated with the cluster stability index (CSI). RESULTS: Performing the proposed CSI-optimized DBSCAN-based clustering method on MR tractography data of the superior longitudinal fasciculus generated 6 robust, non-overlapping, clusters that are neuroanatomically related. COMPARISON WITH EXISTING METHODS: Conventional DBSCAN-based clustering methods have intrinsic error potential in the clustering results due to deviations in fiber shape and fiber location. The proposed method did not exhibit clustering error caused by deviation in fiber trajectory or fiber location. CONCLUSIONS: We implemented a new, robust DBSCAN-based fiber clustering method for MR tractography data. The CSI-optimized DBSCAN-based unsupervised clustering is applicable to investigation of the neuroconnectome and the fiber structure of the brain.