TractoTransformer：基于CNN与Transformer的神经纤维追踪技术

1. 从扩散MRI到神经纤维追踪的技术演进

在神经影像学领域，扩散磁共振成像(dMRI)技术通过测量水分子在脑组织中的随机运动，为我们打开了观察大脑白质纤维连接结构的窗口。传统确定性纤维追踪算法如FACT(纤维分配连续追踪)和概率性方法如PROBTRACKX，都面临着交叉纤维分辨能力不足、噪声敏感等固有局限。这正是TractoTransformer试图突破的技术瓶颈。

白质纤维追踪的核心挑战在于：当神经纤维束出现交叉、分叉或融合时，扩散信号会变得高度模糊。想象你在浓雾中试图追踪多条交错的山路——传统方法就像只依靠指南针前进，而TractoTransformer则配备了地形图和路径记忆系统。该创新模型通过CNN提取局部扩散特征（相当于观察脚下地形），同时利用Transformer建模纤维轨迹的全局序列依赖（相当于记住走过的路径），实现了对复杂纤维结构的智能推理。

2. TractoTransformer的双引擎架构解析

2.1 空间特征提取：3D CNN模块设计

模型采用分层3D卷积网络处理dMRI数据，其独特之处在于多尺度感受野设计：

• 浅层使用3×3×3小核捕捉局部扩散模式
• 深层采用扩张卷积(dilated convolution)扩大感受野
• 各层特征图通过跳跃连接(skip connection)融合

这种结构对Q-ball成像等扩散模型产生的ODF(取向分布函数)场特别有效。实验显示，在HCP数据集上，该模块对交叉纤维的识别准确率比传统SHORE特征提升27%。

2.2 序列建模：Transformer的轨迹记忆

纤维追踪本质是序列决策过程。Transformer模块通过以下机制优化路径规划：

python复制class TractoTransformer(nn.Module):
    def __init__(self):
        self.attention = MultiHeadAttention(
            embed_dim=256,
            num_heads=8,
            dropout=0.1
        )
        self.mlp = PositionwiseFFN(
            d_model=256,