25、V–Bundles：线性时间内对扩散MRI纤维轨迹进行聚类

最新推荐文章于 2025-08-16 00:38:27 发布

sky77

最新推荐文章于 2025-08-16 00:38:27 发布

阅读量62

点赞数

CC 4.0 BY-SA版权

分类专栏：医学影像与计算机辅助干预前沿文章标签： V-Bundles 扩散MRI 纤维轨迹聚类

本文链接：https://blog.youkuaiyun.com/sky77/article/details/149390003

医学影像与计算机辅助干预前沿专栏收录该内容

91 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

V–Bundles：线性时间内对扩散MRI纤维轨迹进行聚类

1. 引言

在神经科学领域，扩散加权磁共振成像（dMRI）数据可用于追踪人脑神经元连接的物理路径，这一过程被称为纤维束成像（tractography）。现有方法通常会为单个受试者生成多达数百万条流线，然后将这些流线分组为束。这些束代表了大脑的宏观布线方案，在生成人类白质图谱中起着重要作用，同时也有助于研究大脑发育、衰老和疾病与结构及功能束特征之间的关系。

目前，许多流行的寻找纤维束的方法使用相似性度量并进行聚类，例如层次聚类。然而，这些方法通常需要计算和存储成对相似性，其计算量会随着流线数量的增加而呈二次方增长，这迅速限制了可处理的数据集大小。为了降低这种复杂性，常见的策略包括随机抽样、剔除或使用更快的算法进行预聚类。但基于相似性的方法往往需要将数据重采样为固定数量的点或固定段长度，这可能会丢失信息，并且大多数相似性度量对纤维追踪器产生的中断流线不太有抵抗力。

确定不同受试者或图像采集之间已识别簇的对应关系，有助于生成群体平均图谱或比较束上的扩散指数。以往的工作尝试通过在公共空间中统一聚类受试者、使用束相似性度量、利用从训练数据集学习的先验信息或对受试者间相似性矩阵进行聚类等方法来实现这一目标。

本文将Ferreira等人的向量场k - 均值算法进行扩展和适应，以用于处理3D纤维束成像数据中的流线。该算法的运行时复杂度与输入点的数量呈线性关系，能够自然地处理中断的流线，并且学习到的向量场可用于对新数据或受试者进行分类。