We present a spectral-based method for automatically labeling major sulcal curves of a human cerebral cortex. Given a set of input (unlabeled) sulcal curves automatically extracted from a cortical surface and a collection of expert-provided examples (labeled sulcal curves), our objective is to identify the input major sulcal curves and assign their neuroanatomical labels, and then refines these curves based on the expert-provided example data, without employing any atlas-based registration scheme as preprocessing. In order to construct the example data, neuroanatomists manually labeled a set of 24 major sulcal curves (12 each for the left and right hemispheres) for each individual subject according to a precise protocol. We collected 30 sets of such curves from 30 subjects. Given the raw input sulcal curve set of a subject, we choose the most similar example curve to each input curve in the set to label and refine the latter according to the former. We adapt a spectral matching algorithm to choose the example curve by exploiting the sulcal curve features and their relationship. The high dimensionality of sulcal curve data in spectral matching is addressed by using their multi-resolution representations, which greatly reduces time and space complexities. Our method provides consistent labeling and refining results even under high variability of cortical sulci across the subjects. Through experiments we show that the results are comparable in accuracy to those done manually. Most output curves exhibited accuracy values higher than 80%, and the mean accuracy values of the curves in the left and the right hemispheres were 84.69% and 84.58%, respectively.
본 연구에서는 스펙트럼 기반 기술을 이용하여 자동으로 주요 열구곡선을 레이블링하는 방법을 제안한다. 대뇌 곡면에서 자동으로 얻은 열구곡선이 입력으로 주어지면, 아틀라스 기반의 등록과정 없이 전문가가 만든 데이터를 이용하여 주요 열구곡선을 식별한다. 전문가들은 정확한 규칙에 따라 한 개의 뇌에 대해 24개의 주요 열구곡선(좌우대뇌 각각 12개)을 수동으로 레이블링하여 데이터집합을 만들었고, 피실험자 30명에 대한 대뇌곡선 정보를 수집하였다. 본 방법은 주어진 입력곡선에 대하여 데이터집합에서 그 입력곡선과 가장 비슷한 곡선을 찾아내고 찾아낸 것의 이름으로 레이블링한다. 본 방법에서는 두 열구곡선 간 유사정도를 측정하기 위해 스펙트럴 매칭(Spectral Matching)을 이용하였다. 또한 다해상도 표현 방법을 통하여 열구곡선의 데이터의 높은 차원 문제점을 해결하여 수행시간 및 수행공간을 크게 감소시켰다. 본 방법은 열구곡선의 개인 간 심한 변화를 반영하며 정확한 레이블링 결과를 보장한다. 실험을 통하여 자동으로 얻어진 레이블링 결과가 전문가가 수동으로 수행한 레이블링 결과와 대등함을 보였다. 자동으로 식별된 열구곡선의 대부분은 80%이상의 정확도를 보였으며, 왼쪽과 오른쪽 대뇌에서 얻은 결과는 평균적으로 각각 84.69%와 84.58%의 정확도를 나타냈다.
