视网膜-丘脑视路（RGVP）是将视觉信号从视网膜传递到外侧膝状体的主要神经通路之一。准确和完整地识别RGVP对于推进我们对视觉认知的理解以及改善神经外科规划至关重要。近期，开发了一些基于深度学习的自动化方法，以克服传统RGVP识别方法往往耗时且劳动密集的局限性。然而，大多数现有方法主要依赖于纤维几何结构和模糊的微观结构特征，而忽视了RGVP轨迹上的个体间变异性问题——我们称之为“个体间RGVP轨迹变异性”。在本研究中，我们提出了一种新颖的多尺度点云融合网络（MSPF-Net），利用扩散磁共振成像束流迹测定法自动识别RGVP。为了解决上述挑战，MSPF-Net整合了三个关键模块：一个特征拼接模块，用于在点级融合位置信息和微观结构信息；一个局部特征提取模块，捕捉局部几何模式；以及一个全局特征提取模块，用于学习全局上下文表示。我们在HCP和CHCP数据集上评估MSPF-Net，以评估其泛化能力和鲁棒性。此外，我们识别并量化了CHCP数据集中相似的流线对，以验证模型在减轻“个体间RGVP轨迹变异性”问题上的有效性。实验结果表明，MSPF-Net的识别准确度高于几种最先进的方法，并有效减轻了“个体间RGVP轨迹变异性”问题。总体而言，本研究突出了基于深度学习的方法在准确和完全自动化的RGVP识别方面的强大潜力。• 提出了用于自动化RGVP识别的新颖网络（MSPF-Net）。• MSPF-Net通过三个模块融合位置信息、几何特征和微结构特征。• MSPF-Net减少了扩散MRI束流轨测中的个体间RGVP轨迹变异性。• MSPF-Net在测量和相似流线识别方面优于最先进的方法。
何等（星期二）研究了这个问题。