V2C-Long: Longitudinal Cortex Reconstruction with Spatiotemporal Correspondence
作者: Fabian Bongratz, Jan Fecht, Anne-Marie Rickmann, Christian Wachinger
分类: eess.IV, cs.CV
发布日期: 2024-02-27 (更新: 2025-02-19)
备注: Imaging Neuroscience
💡 一句话要点
提出V2C-Long以解决纵向MRI皮层重建中的时空对应问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 纵向MRI 皮层重建 深度学习 时空对应 神经影像学 阿尔茨海默病 模板变形网络
📋 核心要点
- 现有的皮层重建方法在处理纵向MRI数据时，面临着时空点对应不足的问题，影响了局部形态的可比性。
- V2C-Long通过两个深度模板变形网络的组合，直接在重建过程中建立了强时空对应，减少了后处理的需求。
- 在两个大型神经影像学研究中，V2C-Long在表面准确性、一致性和灵敏度等方面表现出显著提升。
📝 摘要（中文）
从纵向磁共振成像（MRI）重建皮层对于分析人脑形态变化至关重要。尽管深度学习在皮层表面重建方面取得了进展，但纵向数据带来的挑战依然存在，尤其是高度卷曲的脑表面之间缺乏强时空点对应，影响了后续分析。为此，本文提出了V2C-Long，这是首个专门针对纵向MRI的深度学习皮层重建方法。V2C-Long在不同受试者和访问之间展现出强大的内在时空对应，减少了基于表面的后处理需求。通过两个深度模板变形网络的组合和在网格空间内对受试者模板的创新聚合，我们在重建过程中直接建立了这种对应关系。实验结果显示，与现有方法相比，V2C-Long在纵向一致性和准确性上有显著提升。
🔬 方法详解
问题定义：本文旨在解决纵向MRI皮层重建中时空对应不足的问题，现有方法在处理高度卷曲的脑表面时，局部形态无法直接比较，影响分析结果的可靠性。
核心思路：V2C-Long通过构建两个深度模板变形网络，直接在重建过程中建立时空对应，确保不同受试者和访问之间的形态可比性，从而提高重建的准确性和一致性。
技术框架：该方法的整体架构包括两个主要模块：深度模板变形网络和网格空间内的模板聚合。前者负责对皮层进行变形以匹配不同受试者的解剖结构，后者则在网格空间中聚合模板以增强时空对应。
关键创新：V2C-Long的最大创新在于其在重建过程中直接建立时空对应的能力，这与传统方法依赖后处理的方式有本质区别，显著提高了重建的效率和准确性。
关键设计：在网络结构上，V2C-Long采用了深度学习技术，设计了特定的损失函数以优化时空对应，同时在参数设置上进行了细致调整，以确保模型的稳定性和可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，V2C-Long在纵向一致性和准确性上显著优于现有方法，特别是在阿尔茨海默病的纵向皮层萎缩分析中，提供了比FreeSurfer更强的证据，显示出在表面准确性和灵敏度方面的显著提升。
🎯 应用场景
该研究的潜在应用领域包括神经科学、临床诊断和老年痴呆症研究等。通过提高纵向MRI皮层重建的准确性，V2C-Long能够帮助研究人员更好地分析大脑形态变化，进而推动相关疾病的早期诊断和治疗策略的制定。
📄 摘要（原文）
Reconstructing the cortex from longitudinal magnetic resonance imaging (MRI) is indispensable for analyzing morphological alterations in the human brain. Despite the recent advancement of cortical surface reconstruction with deep learning, challenges arising from longitudinal data are still persistent. Especially the lack of strong spatiotemporal point correspondence between highly convoluted brain surfaces hinders downstream analyses, as local morphology is not directly comparable if the anatomical location is not matched precisely. To address this issue, we present V2C-Long, the first dedicated deep learning-based cortex reconstruction method for longitudinal MRI. V2C-Long exhibits strong inherent spatiotemporal correspondence across subjects and visits, thereby reducing the need for surface-based post-processing. We establish this correspondence directly during the reconstruction via the composition of two deep template-deformation networks and innovative aggregation of within-subject templates in mesh space. We validate V2C-Long on two large neuroimaging studies, focusing on surface accuracy, consistency, generalization, test-retest reliability, and sensitivity. The results reveal a substantial improvement in longitudinal consistency and accuracy compared to existing methods. In addition, we demonstrate stronger evidence for longitudinal cortical atrophy in Alzheimer's disease than longitudinal FreeSurfer.