综述 | 神经纤维跟踪算法研究进展
在医学图像领域，扩散磁共振成像（dMRI）是目前唯一非侵入式神经纤维成像方法，为人们了解活体大脑的神经纤维结构提供了新的工具。而神经纤维跟踪通过整合纤维局部结构方向信息描绘出具有解剖学意义的空间纤维结构，是扩散磁共振成像的关键步骤，对临床医学与神经科学等有着重大意义。
但该领域目前也存在一些待解决的问题和挑战：
目前神经纤维跟踪算法重构会出现大量虚假纤维而受到质疑。
为了给研究者和临床医生选择神经纤维跟踪算法提供依据，不同算法的优劣势和适用场景分别是什么？
目前纤维跟踪算法的结果与实际情况均有着一定的差距，如何描绘出更为精确的纤维轨迹？
图图推荐浙江工业大学冯远静教授团队发表于《中国图象图形学报》2020年第8期的综述：神经纤维跟踪算法研究进展，论文围绕上述问题和挑战，详细介绍了目前常用的算法原理以及在主流数据上的表现结果和分析。
论文标题：神经纤维跟踪算法研究进展
论文作者：李茂，何建忠，冯远静
第一单位：浙江工业大学信息工程学院信息处理与自动化研究所
关键词：扩散磁共振成像；各向异性；白质纤维跟踪；贝叶斯；全局优化；国际医学磁共振学会（ISMRM）2015挑战数据
全文链接：
http://www.cjig.cn/html/jig/2020/8/20200801.htm
1. 对常见的三大类神经纤维跟踪方法，确定型跟踪算法、概率型跟踪算法以及全局优化跟踪算法的原理进行介绍和分析。
2.基于三种常用的主流数据，Fibercup模拟数据、ISMRM2015挑战数据、临床实际数据对几种常见算法进行实验结果的详细对比及分析。
3.该领域的最新进展以及前景展望。
Fibercup模拟数据：该数据由3层相同纤维结构构成，含有5组不同类型的纤维束。Fibercup数据量较小，但是含有多种复杂结构（交叉、扇形、分叉等）易于快速获取跟踪算法结果并能够清晰观察到跟踪算法在不同纤维结构上的表现。
ISMRM2015挑战数据：该数据是基于美国人脑连接组计划（Human Connectome Project, HCP）数据分割的纤维束使用Fiberfox软件生成的模拟数据,目的是创建一个接近现实的、临床的数据集，是目前唯一可以进行量化指标计算的模拟人脑数据集。
临床实际数据：临床数据来自斯坦福大学数据库（Garyfallidis等，2014）。该数据为DIPY官方默认数据，具有较高的公信力，数据质量较高（含有150个b值不为零的梯度方向），获取方便，是最为广泛使用的公开临床数据之一。
论文对9种常用跟踪算法进行实验对比：基于张量的流线型跟踪(TensorDet)、基于球面反卷积的流线型跟踪(SD_Stream)、纤维联络连续跟踪(FACT)、纤维方向分布跟踪(iFOD2)、解剖学约束纤维方向分布跟踪(ACT_iFOD2)、粒子滤波跟踪(PFT)、无迹卡尔曼滤波跟踪(UKF)、吉布斯跟踪(Gibbs)和机器学习跟踪算法(MLBT)，其中TensorDet、SD_Stream、FACT为确定型算法，iFOD2、PFT、UKF、ACT_iFOD2为概率型算法，Gibbs为全局型算法，MLBT为机器学习算法。
1. Fibercup模拟数据
图1 Fibercup不同跟踪算法跟踪结果
图2 Fibercup量化指标
图3 Fibercup各纤维束量化指标
2. ISMRM2015挑战数据
图4 ISMRM2015不同跟踪算法扣带回区域有效纤维束
表1 ISMRM2015量化指标
3. 临床实际数据
图5 临床数据不同跟踪算法皮质脊髓束区域跟踪结果
图6 临床数据不同跟踪算法胼胝体区域跟踪结果
确定型纤维跟踪算法在跟踪过程中每一步的方向是唯一确定的，因此在单一方向区域跟踪结果很准确，算法简单，运行速度快，效率高，但是纤维分布的复杂性、体素纤维微结构重构的不准确性以及dMRI信号的噪声干扰都将影响到纤维跟踪的准确性，确定型跟踪算法难以解决这些问题。
概率型纤维跟踪算法由于在纤维跟踪过程中抽样选取跟踪方向，各个方向依概率均有可能被选到，虽然跟踪结果分布全面，但是却产生了大量的伪纤维，如同实验结果一致，实际跟踪成像结果易于混淆。
全局型纤维跟踪算法从全局的角度构建最符合全局数据的纤维结构以避免累积误差问题，这种从全局的角度进行纤维结构重建的算法能够重建出纤维的主要分布走向，但是在细节的分布上表现不够理想，且全局型跟踪算法计算量都比较大。
1. 目前并没有一种跟踪算法可以摒弃其他跟踪算法缺点而结合所有优点，因此，需了解不同算法的优缺点及适用情况。另外目前WMT算法跟踪结果仍与实际情况有着一定的差距，意味着跟踪算法仍有较大的进步空间。
2. 作为目前的研究热点，深度学习在多个领域受到重视，然而在纤维跟踪中应用深度学习也将面临MLBT的样本训练问题，若以其它算法结果作为训练样本，仍会影响到深度学习在纤维跟踪领域的应用，因此标本的设立问题是应用深度学习不得不解决的一个重要问题。
3. 由于体素纤维的复杂性，成像体素与纤维直径大小上的巨大差异性（Alexander等，2010），仅仅依据单个体素的纤维微结构信息难以准确重构纤维的方向分布，Wu等人（2018）提出从全局角度进行纤维微结构重构进而跟踪出更精确的纤维轨迹，但从全局角度势必会面临着巨大的计算量，可结合体素邻域信息进行纤维跟踪（杨志飞等，2016）以降低全局算法的计算量并降低单个体素的噪声影响。
4. 此外，目前的纤维微结构重构模型大多是关于中心对称的，而实际的体素纤维分布通常是不对称的，Wu等人（2018）提出非对称的模型进而跟踪出更符合实际的纤维轨迹，基于非对称模型的纤维跟踪也是一个值得关注的研究方向。
具体参考文献请点击全文了解
李茂，硕士研究生，主要研究方向为医学图像处理。
E-mail:15990072769@163.com
E-mail: fyjing@zjut.edu.cn
回放平台
知网平台：
http://k.cnki.net/Room/Home/Index/181822
B站：
https://space.bilibili.com/27032291
往期目录
汪荣贵——机器学习基本知识体系与入门方法
陈强——从Cell封面论文谈AI研究中的实验数据问题
石争浩——从先验到深度：低见度图像增强
行知论坛——南理工行知论坛&图图Seminar：智能画质增强专题
孙显——遥感图像智能分析：方法与应用
章国锋——视觉SLAM在AR应用上的关键性问题探讨
林宙辰——机器学习中优化算法前沿简介
白相志，冯朝路——“医学图像与人工智能”主题论坛
李雷达——以人为中心的图像感知评价：从质量到美学
汪荣贵——深度强化学习系列课程1-4讲
张明敏，郭诗辉——“人工智能与虚拟现实”主题论坛
高连如——高光谱遥感图像处理与信息提取
杨杨——“出身决定论”？看科研之路如何逆袭
于仕琪——步态识别新动向：基于人体模型的方法与数据
CCF YOCSEF南京——深度学习可解释性论坛
前沿进展 | 多媒体信号处理的数学理论
中国卫星遥感回首与展望
单目深度估计方法：现状与前瞻
目标跟踪40年，什么才是未来？
10篇CV综述速览计算机视觉新进展
算法集锦 | 深度学习在遥感图像处理中的六大应用
封面故事 | 从传统到深度：火灾烟雾识别综述
封面故事 | 光场数据压缩综述
学者观点 | 结合深度学习和半监督学习的遥感影像分类
编辑推荐 | 视频 + 地图！四维信息助力实景中国
深度学习+图像降噪，如何解决“卡脖子”问题？
专家推荐|高维数据表示：由稀疏先验到深度模型
专家报告 | AI与影像“术”——医学影像在新冠肺炎中的应用
专家推荐|真假难辨还是虚幻迷离，参与介质图形绘制让人惊叹！
学者推荐 | 深度学习与高光谱图像分类【内含PPT 福利】
专家报告|深度学习+图像多模态融合
专家报告 | 类脑智能与类脑计算
实战例题！200+PPT带你看懂监督学习
118页PPT！机器学习模型参数与优化那些事儿~
专家开讲 | 机器学习究竟是什么？
羡慕别人中了顶会？做到这些你也可以！
如何阅读一篇文献？
共享 | SAR图像船舶切片数据集
资源分享| 不知道如何获取最新的算法资讯？快来这里看一看
资源分享|热门IT资讯号推荐
本文系《中国图象图形学报》独家稿件
内容仅供学习交流
版权属于原作者
欢迎大家关注转发！
编辑：秀 秀
指导：梧桐君
审校：夏薇薇
总编辑：肖 亮
声 明
欢迎转发本号原创内容，任何形式的媒体或机构未经授权，不得转载和摘编。授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流，内容为作者观点，不代表本号立场。未经允许，请勿二次转载。如涉及文字、图片等内容、版权和其他问题，请于文章发出20日内联系本号，我们将第一时间处理。《中国图象图形学报》拥有最终解释权。
相关内容
微信扫码咨询专知VIP会员