1. Контролируемая фильтрация трактограмм с использованием геометрического глубокого обучения (arXiv)

Автор: Пьетро Астольфи, Рубен Верхаген, Лоран Пети, Эмануэле Оливетти, Сильвио Саруббо, Джонатан Маски, Давиде Боскаини, Паоло Авесани.

Аннотация: Трактограмма представляет собой виртуальное представление белого вещества головного мозга. Он состоит из миллионов виртуальных волокон, закодированных в виде трехмерных полилиний, которые аппроксимируют пути аксонов белого вещества. На сегодняшний день трактограммы являются наиболее точным представлением белого вещества и поэтому используются для таких задач, как предоперационное планирование и исследования нейропластичности, нарушений головного мозга или сетей мозга. Однако хорошо известно, что большая часть волокон трактограммы анатомически неправдоподобна и может считаться артефактами процедуры отслеживания. С Verifyber мы решаем проблему фильтрации таких неправдоподобных волокон, используя новый полностью контролируемый подход к обучению. В отличие от других подходов, основанных на реконструкции сигнала и/или регуляризации топологии мозга, мы руководствуемся нашим методом существующими анатомическими знаниями о белом веществе. Используя трактограммы, аннотированные в соответствии с анатомическими принципами, мы обучаем нашу модель Verifyber классифицировать волокна как анатомически правдоподобные или неправдоподобные. Предлагаемая модель Verifyber представляет собой оригинальный метод геометрического глубокого обучения, который может работать с волокнами переменного размера, будучи инвариантным к ориентации волокон. Наша модель рассматривает каждое волокно как граф точек, и, изучая особенности ребер между последовательными точками с помощью предложенной последовательности Edge Convolution, она может фиксировать основные анатомические свойства. Результаты фильтрации вывода очень точны и надежны в обширном наборе экспериментов и быстры; с графическим процессором на 12 ГБ фильтрация трактограммы из 1 млн волокон занимает менее минуты. Реализация Verifyber и обученные модели доступны по адресу https://github.com/FBK-NILab/verifyber.

2. Автоматизированная маркировка коронарных артерий с помощью геометрического глубокого обучения (arXiv)

Автор: Ядан Ли, Мохаммад Али Армин, Саймон Денман, Дэвид Ахмедт-Аристизабаль.

Резюме: автоматическая маркировка анатомических структур, таких как коронарные артерии, имеет решающее значение для диагностики, однако существующие методы (без глубокого обучения) ограничены тем, что полагаются на предварительное топологическое знание ожидаемых древовидных структур. Поскольку структуру таких сосудистых систем часто трудно концептуализировать, представления на основе графов стали популярными из-за их способности фиксировать геометрические и топологические свойства морфологии в независимой от ориентации и абстрактной манере. Однако обучению на основе графов для автоматической маркировки древовидных анатомических структур уделяется ограниченное внимание в литературе. Большинство предыдущих исследований имеют ограничения в построении графа сущностей, зависят от топологических структур и имеют ограниченную точность из-за анатомической изменчивости между субъектами. В этой статье мы предлагаем интуитивно понятный метод графического представления, хорошо подходящий для использования с трехмерными координатными данными, полученными при ангиографическом сканировании. Впоследствии мы стремимся анализировать тематические графики с использованием геометрического глубокого обучения. Предлагаемые модели используют экспертные аннотированные метки от 141 пациента для изучения представлений каждого коронарного сегмента, фиксируя эффекты анатомической изменчивости в обучающих данных. Мы исследуем различные варианты так называемых нейронных сетей передачи сообщений. Благодаря обширным оценкам наш конвейер получил многообещающий взвешенный балл F1 0,805 для маркировки коронарных артерий (13 классов) для пятикратной перекрестной проверки. Учитывая способность графовых моделей работать с нерегулярными данными и их масштабируемость для сегментации данных, эта работа подчеркивает потенциал таких методов для предоставления количественных данных в поддержку решений медицинских экспертов.