自動エンコーダーを使用したトラクトグラフィーのフィルタリング（フィンタ）

現在の脳白質繊維追跡技術は、次のことを含む多くの問題を示しています。基礎となる解剖学を正確に説明していない大量の流線を生成します。基礎となる拡散信号によってサポートされていない流線を抽出します。とりわけ、いくつかの繊維集団などを過小表現しています。この論文では、拡散MRIトラクトグラフィーから流線をフィルタリングし、したがってより信頼性の高いトラクトグラムを得るための新しい自動エンコーダーベースの学習方法について説明します。Finta（自動エンコーダーを使用したトラクトグラフィーでのフィルタリング）と呼ばれるこの方法は、RAWの非標識トラクトグラムを使用して自動エンコーダーを訓練し、脳の合理化の堅牢な表現を学習します。そのような埋め込みは、最近隣接するアルゴリズムを使用して、望ましくない合理化サンプルをフィルタリングするために使用されます。合成およびin vivoの両方のヒト脳拡散データの両方の実験MRIトラクトグラフィーデータは、テストセットの90％しきい値を超える精度スコアを取得します。結果は、フィンタは、従来の解剖学ベースの方法と比較して優れたフィルタリング性能を持っていることと、最先端の方法が再構築されていることが明らかになりました。さらに、FINTAをフレームワークに変更することなく、部分トラクトグラムに適用できることを実証します。また、提案された方法は、さまざまな追跡方法とデータセットにわたってよく一般化され、大規模な（> 1 mの流線）トラクトグラムの計算時間を大幅に短縮することも示します。一緒に、この作業は、自動エンコーダーに基づいたトラクトグラフィーの新しい深い学習フレームワークをもたらします。これは、トラクトメトリーと接続分析を強化できる白質フィルタリングとバンドルのための柔軟で強力な方法を提供します。

Current brain white matter fiber tracking techniques show a number of problems, including: generating large proportions of streamlines that do not accurately describe the underlying anatomy; extracting streamlines that are not supported by the underlying diffusion signal; and under-representing some fiber populations, among others. In this paper, we describe a novel autoencoder-based learning method to filter streamlines from diffusion MRI tractography, and hence, to obtain more reliable tractograms. Our method, dubbed FINTA (Filtering in Tractography using Autoencoders) uses raw, unlabeled tractograms to train the autoencoder, and to learn a robust representation of brain streamlines. Such an embedding is then used to filter undesired streamline samples using a nearest neighbor algorithm. Our experiments on both synthetic and in vivo human brain diffusion MRI tractography data obtain accuracy scores exceeding the 90% threshold on the test set. Results reveal that FINTA has a superior filtering performance compared to conventional, anatomy-based methods, and the RecoBundles state-of-the-art method. Additionally, we demonstrate that FINTA can be applied to partial tractograms without requiring changes to the framework. We also show that the proposed method generalizes well across different tracking methods and datasets, and shortens significantly the computation time for large (>1 M streamlines) tractograms. Together, this work brings forward a new deep learning framework in tractography based on autoencoders, which offers a flexible and powerful method for white matter filtering and bundling that could enhance tractometry and connectivity analyses.