综述：基于学习算法的脑白质纤维束追踪与识别研究综述

这篇综述系统梳理了基于学习算法（如机器学习ML、深度学习DL、强化学习RL和字典学习）在扩散磁共振成像（dMRI）纤维束追踪（tractography）及白质纤维束识别中的应用。文章重点探讨了数据驱动方法如何突破传统技术局限，为神经外科手术规划提供精准的神经通路几何信息，并通过架构对比论证了学习算法在该领域的核心价值。

　　

Abstract

扩散磁共振成像（dMRI）纤维束追踪技术已成为绘制脑白质结构、术前规划及提取神经连接模式的关键工具。该技术通过精确重建神经通路的空间几何信息，显著降低了神经外科手术中的组织损伤风险。

Purpose

传统纤维束追踪方法在复杂纤维交叉区域存在局限性，而学习算法的引入为这一领域带来突破。研究表明，基于数据驱动的追踪算法能更准确地重建全脑纤维流线（whole brain streamlines），特别是在处理弓状束、胼胝体等关键白质束时表现出优越性。

Methods

现代方法涵盖多阶段处理流程：

1. 预处理：包括dMRI数据去噪和扩散张量重建
2. 核心算法：
   • 监督学习：采用3D卷积神经网络（CNN）处理体素级特征
   • 无监督学习：通过自编码器提取纤维束潜在特征
   • 强化学习：模拟纤维生长过程的决策机制
3. 后处理：涉及束状分割（bundle segmentation）和拓扑结构优化

Results

比较研究显示：

• 深度学习模型在HCP（Human Connectome Project）数据集上达到92%的体素级分类准确率
• 图神经网络（GNN）对交叉纤维的解析度提升40%
• 字典学习方法将单纤维分辨率提高到_0.5
  mm级

Conclusion

学习算法通过以下机制推动领域发展：

1. 端到端处理消除传统方法的分步误差累积
2. 自适应特征提取克服部分容积效应
3. 多模态数据融合能力（如fMRI+dMRI）
   未来方向包括开发轻量化模型和建立标准化评估框架，这对阿尔茨海默病等神经退行性疾病的早期诊断具有重要意义。

Graphical abstract

典型流程展示从原始dMRI数据到三维纤维束模型的转化过程，突出显示学习算法在纤维走向预测和束间区分中的关键作用。