TractoRC: A Unified Probabilistic Learning Framework for Joint Tractography Registration and Clustering

إليك ملخص تقني مفصل لورقة البحث بعنوان "TractoRC: إطار تعلم احتمالي موحد للتسجيل والتجميع المشترك لتخطيط المسارات (Tractography)."

1. بيان المشكلة

يعد تخطيط المسارات (Tractography) باستخدام تصوير الانتشار بالرنين المغناطيسي (dMRI) أمراً ضرورياً لإعادة بناء مسارات المادة البيضاء (WM) في الدماغ. وهناك مهمتان أساسيتان في تحليل مخططات المسارات هذه:

1. تسجيل مخطط المسارات (Tractogram Registration): محاذاة مسارات الألياف عبر مختلف الأشخاص لتمكين التحليل على مستوى المجموعة.
2. تجميع الخطوط المستقيمة (Streamline Clustering): تجميع الخطوط المستقيمة في حزم ألياف ذات معنى تشريحي.

الفجوة: يتم تنفيذ هاتين المهمتين حالياً بشكل مستقل. فأساليب التسجيل غالباً ما تفشل في الحفاظ على الهندسة الدقيقة للخطوط المستقيمة أو تعتمد على مراسلات غير مستقرة بين نقطة وأخرى. وعلى العكس من ذلك، فإن أساليب التجميع غالباً ما تتجاهل المحاذاة عبر الأشخاص، مما يؤدي إلى عدم اتساق في تعيينات المجموعات عبر الأفراد. هناك نقص في الأطر التي تستفيد من الطبيعة التكاملية لهاتين المهمتين—حيث تساعد التشابهات الهندسية في عملية المحاذاة، وتساعد الاتساق التشريحي في عملية التجميع.

2. المنهجية: إطار عمل TractoRC

يقترح المؤلفون TractoRC، وهو إطار عمل احتمالي موحد يقوم بتحسين التسجيل والتجميع بشكل مشترك ضمن مخطط واحد. الفكرة الجوهرية هي تعلم فضاء تضمين (embedding space) مشترك حيث يمكن للمهمتين تعزيز بعضهما البعض.

أ. بنية الشبكة

يتكون إطار العمل من ثلاثة مكونات رئيسية:

1. شبكة فرعية لتضمين مخطط المسارات:

   • تتعامل مع مخططات المسارات كـ "سحب نقاط" (point clouds).
   • تستخدم شبكة تلافيفية رسومية ديناميكية (DGCNN) لالتقاط الهياكل الهندسية المحلية وعلاقات الجوار بين نقاط الخطوط المستقيمة.
   • تُخرج تضمينات نقطية ($h_{ik}$) لكل نقطة في الخط المستقيم.

2. شبكة فرعية لتسجيل مخطط المسارات:

   • النقاط المفتاحية الاحتمالية: بدلاً من المطابقة الصريحة بين نقطة وأخرى، تتنبأ الشبكة بمجموعة من النقاط المفتاحية التمثيلية كقيم متوقعة فوق توزيع مكاني مُتعلم ($p_a = \sum \pi_{ia} x_i$). يضمن ذلك وقوع النقاط المفتاحية ضمن النطاق المدخل وكونها مقاومة للضوضاء.
   • التحويل: تعمل هذه النقاط المفتاحية كنقاط تحكم لـ تحويل "Thin-Plate Spline" (TPS). يتم تقدير التحويل في صيغة مغلقة لطي (warp) مخطط المسار المصدر إلى مساحة الهدف، مما يتجنب تقدير المراسلات المتكرر.

3. شبكة فرعية لتجميع الخطوط المستقيمة:

   • تجمع التضمينات النقطية إلى تضمينات على مستوى الخط المستقيم ($z_i$) عبر التجميع المتماثل (symmetric pooling).
   • تغذي هذه التضمينات نموذج التجميع المضمن التلافيفي العميق (DCEC).
   • يستخدم توزيع "ستودنت t" (Student's t-distribution) لحساب التعيينات الناعمة ($q_{ij}$) بين الخطوط المستقيمة والمراكز المجمعة القابلة للتعلم ($\mu_j$)، مما يجعل تخطيط المسارات نموذجاً لتوزيع فوق النماذج الأولية الهيكلية الكامنة.

ب. استراتيجية التدريب

تتضمن عملية التدريب مرحلتين لضمان التعلم القوي:

1. التدريب المسبق ذاتي الإشراف (Self-Supervised Pretraining):

   • الهدف: تعلم تضمينات مدركة للهندسة وغير متأثرة بالتحولات المكانية.
   • التكافؤ التحويلي (Transformation Equivariance): فرض أن النقاط المفتاحية المتوقعة تتحول باتساق تحت التشوهات العشوائية والآفينية وغير الخطية ($G \cdot \Phi$).
   • تنظيم التنوع (Diversity Regularization): منع انهيار النقاط المفتاحية من خلال معاقبة التقارب الزوجي.
   • محاذاة المقاييس: محاذاة مسافات التضمين مع مسافة "Minimum Average Direct-Flip" (MDF) للخطوط المستقيمة لضمان الحفاظ على التشابه الهندسي في الفضاء الكامن.

2. التحسين المشترك (Joint Optimization):

   • تقوم أوزان النموذج المدربة مسبقاً بتهيئة الشبكة الكاملة.
   • خسارة التسجيل: تضمن خسارة مسافة أقرب جار متماثلة الاتساق الهندسي ثنائي الاتجاه بين مخططات المسارات الملتوية والمستهدفة.
   • خسارة التجميع: تستخدم تباعد "كولباك - ليبلر" (KL divergence) لتنقية تعيينات المجموعات، مع التركيز على التعيينات عالية الثقة مع الحفاظ على الاتساق الهيكلي.
   • التآزر: يوفر التجميع مقدمات هيكلية لتوجيه المحاذاة، بينما يعمل التسجيل على تحسين الاتساق عبر الأشخاص من أجل التجميع.

3. المساهمات الرئيسية

1. صياغة احتمالية موحدة: أول إطار عمل يصيغ تسجيل وتجميع مخطط المسارات بشكل مشترك كمهام استدلال احتمالي ضمن حلقة تحسين واحدة.
2. تدريب مسبق متكافئ تحويلياً: استراتيجية تعلم ذاتي الإشراف مبتكرة تتعلم تضمينات ثابتة تجاه التحولات المكانية ولكنها متكافئة (equivariant) تجاه تنبؤات النقاط المفتاحية، وهو أمر بالغ الأهمية لتسجيل قوي.
3. التعزيز المتبادل: إثبات أن ربط هاتين المهمتين يسمح بـ "المحاذاة الموجهة بالتجميع" و"التجميع المنقح بالتسجيل"، مما يتفوق بشكل كبير على الأساليب المستقلة.

4. النتائج التجريبية

أُجريت التجارب على مجموعة بيانات Human Connectome Project Young Adult (HCP-YA) (140 شخصاً).

أ. دراسة الاستئصال (Ablation Study)

• التسجيل: أدى حذف مكونات التدريب المسبق أو التجميع إلى تدهور الأداء. حقق Tractore الكامل أقل متوسط مسافة للحزمة (ABD: 2.90) وأعلى وزن لـ "Dice" (wDice: 68.26%).
• التجميع: أدى حذف فرع التسجيل (ما يعادل DeepFiberClustering) إلى انخفاض في تماسك المجموعة الداخلي ($\alpha$) وانخفاض في قابلية التكرار عبر الأشخاص (WMPG). حقق Tractore أفضل قيمة $\alpha$ (7.77) وأعلى WMPG (99.88%).

ب. المقارنة مع أحدث ما توصل إليه العلم (SOTA)

• التسجيل: بالمقارنة مع الأساليب القائمة على الحجم (SyN, SynthMorph) والأساليب القائمة على الخطوط المستقيمة (WMA)، حقق Tractore أفضل ABD (اتساق هندسي متفوق) وثاني أفضل wDice (تفوقت عليه فقط طريقة SyN، التي تفضل تداخل الفوكسل على هندسة الخط المستقيم).
• التجميع: بالمقارنة مع WMA وQuickBundles (QB) وDFC، تفوق Tractore على جميع الأساليب في التماسك ($\alpha$) وقابلية التكرار عبر الأشخاص (WMPG)، مما أنتج حزم ألياف أكثر تماسكاً مكانياً.

5. الأهمية والخاتمة

يعالج Tractore عجزاً حرجاً في تحليل تصوير المسارات عبر توحيد مهمتين كانتا منفصلتين سابقاً. ومن خلال نمذجة مخططات المسارات كتوزيعات فوق مكونات كامنة والاستفادة من فضاء تضمين مشترك، يحقق هذا الأسلوب:

• القوة (Robustness): التعامل الأفضل مع التباين الهيكلي عبر الأشخاص.
• الكفاءة: تجنب تقدير المراسلات المتكرر من خلال تحويل TPS ذي الصيغة المغلقة بناءً على النقاط المفتاحية الاحتمالية.
• الاتساق: إنتاج مجموعات أكثر اتساقاً عبر الأشخاص، وهو أمر حيوي للدراسات على مستوى السكان.

يؤسس هذا العمل لنموذج جديد لتحليل تخطيط المسارات حيث لا يعتبر التسجيل والتجميع خطوتين متتاليتين بل عمليات تعزز بعضها البعض، مما يؤدي إلى خرائط أكثر دقة وذات معنى بيولوجي للمادة البيضاء. تم جعل الكود متاحاً للجمهور لتسهيل المزيد من الأبحاث.