AutoAtlas：用于三维无监督分割与表示学习的神经网络
图像与视频处理
2021-11-12 v3 计算机视觉与模式识别
机器学习
摘要
我们提出了一种称为 AutoAtlas 的新型神经网络架构，用于对三维脑磁共振成像（MRI）体数据进行完全无监督的分割与表示学习。AutoAtlas 由两个神经网络组件构成：一个基于体数据局部纹理执行多标签分割的神经网络，以及一个压缩每个分割区域内所含信息的神经网络。我们通过优化一个损失函数同时训练这两个组件，该损失函数旨在促进对每个分割区域的精确重建，同时鼓励空间上平滑且连续的分割，并抑制相对较小的分割区域。我们表明，这些分割区域能够适应受试者特定的脑组织结构变异，同时在各受试者间一致地出现在相似的空间位置。AutoAtlas 还能生成表示每个分割区域局部纹理的极低维特征。我们利用所导出的特征表示演示了对每个受试者相关元数据的预测，并将结果与使用 FreeSurfer 解剖学分割所导出特征的预测进行比较。由于我们的特征与不同分割区域内在关联，我们随后可将感兴趣的值（例如分区特定的特征重要性分数）映射到大脑上进行可视化。
引用
@article{arxiv.2010.15987,
title = {AutoAtlas: Neural Network for 3D Unsupervised Partitioning and Representation Learning},
author = {K. Aditya Mohan and Alan D. Kaplan},
journal= {arXiv preprint arXiv:2010.15987},
year = {2021}
}
备注
IEEE Journal of Biomedical and Health Informatics