Algoritmos para el filtrado de fibras cerebrales y su efecto en la reproducibilidad de la segmentación automática.
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Concepción
Abstract
En los últimos años, ha habido un creciente interés en estudiar la Materia Blanca Superficial (SWM). La SWM está compuesta por fibras cortas de asociación que conectan circunvoluciones cercanas de la corteza cerebral, con una organización compleja debido a su estrecha relación con los patrones de plegamiento cortical. Por lo tanto, su segmentación a partir de datos de tractografía requiere metodologías dedicadas para identificar la forma principal del fascículo de fibras y lidiar con fibras ruidosas. Esta tesis presenta una segmentación mejorada del fascículos cortos basada en un atlas inter-sujeto de SWM y el filtrado de fibras espurias. El método fue ajustado y evaluado utilizando conjuntos de datos de tractografía probabilística test-retest de la base de datos pública HCP (44 sujetos). Proponemos cuatro filtros de fascículos para eliminar fibras espurias. Además, para obtener fascículos bien definidos, se propone la identificación del fascículo principal de cada fascículo de fibras. Primero, se identificaron cuatro formas representativas de fascículos en el atlas de SWM y se realizó un ajuste de parámetros en un subconjunto de 28 sujetos. El filtro basado en la Envolvente Convexa proporcionó la mayor similitud entre los fascículos test y retest correspondientes. Posteriormente, se aplicó el mejor filtro en los 16 sujetos restantes considerando todos los fascículos del atlas. Los resultados para los fascículos filtrados, con y sin la identificación del fascículo principal, muestran una mejora significativa en índices de reproducibilidad test-retest al eliminar entre el diez y el veinte por ciento de las fibras. Además, se aplicó la segmentación de fascículos con y sin filtrado de fibras en la base de datos ABIDE-II. El filtrado permitió obtener un mayor número de fascículos con diferencias significativas en la anisotropía fraccional, la difusividad media y la difusividad radial de pacientes con Trastorno del Espectro Autista en comparación con los controles.
In recent years, there has been a growing interest in studying the Superficial White Matter (SWM). The SWM consists of short association fibers connecting near giry of the cortex, with a complex organization due to their close relationship with the cortical folding patterns. Therefore, their segmentation from dMRI tractography datasets requires dedicated methodologies to identify the main fiber bundle shape and deal with spurious fibers. This paper presents an enhanced short fiber bundle segmentation based on a SWM bundle atlas and the filtering of noisy fibers. The method was tuned and evaluated over HCP test-retest probabilistic tractography datasets (44 subjects). We propose four fiber bundle filters to remove spurious fibers. Furthermore, we include the identification of the main fiber fascicle to obtain well-defined fiber bundles. First, we identified four main bundle shapes in the SWM atlas, and performed a filter tuning in a subset of 28 subjects. The filter based on the Convex Hull provided the highest similarity between corresponding test-retest fiber bundles. Subsequently, we applied the best filter in the 16 remaining subjects for all atlas bundles, showing that filtered fiber bundles significantly improve test-retest reproducibility indices when removing between ten and twenty percent of the fibers. Additionally, we applied the bundle segmentation with and without filtering to the ABIDE-II database. The fiber bundle filtering allowed us to obtain a higher number of bundles with significant differences in fractional anisotropy, mean diffusivity, and radial diffusivity of Autism Spectrum Disorder patients relative to controls.
In recent years, there has been a growing interest in studying the Superficial White Matter (SWM). The SWM consists of short association fibers connecting near giry of the cortex, with a complex organization due to their close relationship with the cortical folding patterns. Therefore, their segmentation from dMRI tractography datasets requires dedicated methodologies to identify the main fiber bundle shape and deal with spurious fibers. This paper presents an enhanced short fiber bundle segmentation based on a SWM bundle atlas and the filtering of noisy fibers. The method was tuned and evaluated over HCP test-retest probabilistic tractography datasets (44 subjects). We propose four fiber bundle filters to remove spurious fibers. Furthermore, we include the identification of the main fiber fascicle to obtain well-defined fiber bundles. First, we identified four main bundle shapes in the SWM atlas, and performed a filter tuning in a subset of 28 subjects. The filter based on the Convex Hull provided the highest similarity between corresponding test-retest fiber bundles. Subsequently, we applied the best filter in the 16 remaining subjects for all atlas bundles, showing that filtered fiber bundles significantly improve test-retest reproducibility indices when removing between ten and twenty percent of the fibers. Additionally, we applied the bundle segmentation with and without filtering to the ABIDE-II database. The fiber bundle filtering allowed us to obtain a higher number of bundles with significant differences in fractional anisotropy, mean diffusivity, and radial diffusivity of Autism Spectrum Disorder patients relative to controls.
Description
Tesis presentada para optar al grado de Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica
Keywords
Neurociencia computacional, Algoritmos