在半球切割患者中使用TractSeg进行基于深度学习的通道学:评估和改进
Johannes Gruen1, Tobias Bauer2, Theodor Rüber3
1B-IT and Institute for Computer Science, University of Bonn, Friedrich-Hirzebruch-Allee 8, Bonn, 53115, Germany.
NeuroImage. Clinical
|February 8, 2025
概括
深度学习通道图 (TractSeg) 显示了疾病的局限性,有时会幻觉失联的通道. 一种精细的方法提高了患者保存的白质道的准确性和重建.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 医学图像分析 医学图像分析
背景情况:
- 像 TractSeg 一样,深度学习曲谱学会了解剖学先验,以解决简化模两可的问题.
- 在健康受试者身上训练的 TractSeg 显示了对病理的一些概括,但有局限性.
研究的目的:
- 在经过半球切除术的患者的独特数据集上评估TractSeg的局限性.
- 为改进病理数据分析提出和验证精细的曲谱学方法.
主要方法:
- 对25名经半球切除术后的患者和25名健康对照群进行了TractSeg的评估.
- 开发一种精细的曲谱学方法,使用曲谱定向图和低级张量近似来获得数据准确性.
主要成果:
- TractSeg很好地概括,但错误地重建了断开的通道,并通过患者的病变继续进行.
- 这种精细的方法消除了幻觉通道,改善了保存的通道的重建,并提高了患者和对照数据的完整性.
结论:
- 深度学习路径学需要谨慎和手动质量控制患者数据.
- 拟议的改进通过确保数据准确性,提高了对病理数据的曲谱学适用性.
