PyTorch ermöglicht vollständig differenzierbare dMRI‑Traktographie

Diffusions-MRT (dMRI) liefert einzigartige Einblicke in die Mikrostruktur lebender Gewebe und bildet die Basis für Anwendungen wie die Analyse der Gehirnvernetzung, Modellierung unter verschiedenen Bedingungen und die Abschätzung makroskopischer Merkmale.

Die Traktographie, die in den letzten Jahrzehnten rasch an Bedeutung gewonnen hat, visualisiert weiße Hirnfasern mithilfe von dMRI. Traditionell beruhen die meisten Verfahren auf prozeduralen Streamline‑Propagatoren oder globalen Energie‑Minimierungsalgorithmen, die jedoch nicht differenzierbar sind und damit die Integration in end‑to‑end Lernsysteme erschweren.

In der vorliegenden Arbeit wird ein vollständig differenzierbarer Streamline‑Propagator vorgestellt, der in PyTorch implementiert ist. Durch das Fehlen gradientenblockierender Komponenten bleibt die numerische Genauigkeit eines führenden Algorithmus erhalten, während gleichzeitig die volle Gradiententransparenz gewährleistet ist.

Der neue Ansatz erreicht die gleiche Genauigkeit wie herkömmliche Propagatoren, bleibt jedoch vollständig differenzierbar. Damit eröffnet er die Möglichkeit, Traktographie nahtlos in Deep‑Learning‑Workflows einzubinden und legt damit den Grundstein für eine neue Klasse von makroskopischen Analysewerkzeugen, die sowohl rechnerisch robust als auch lernfähig sind.