基于球面卷积神经网络的皮层表面分区
神经元与认知
2019-07-12 v1 图像与视频处理
定量方法
摘要
我们提出使用球面深度卷积神经网络进行皮层表面分区。传统的多图谱皮层表面分区需要使用几何特征进行受试者间表面配准，在单个受试者上处理时间较高（2-3 小时）。此外，即便最优表面配准也不一定能产生最优皮层分区，因为分区边界并未完全匹配到几何特征。在此背景下，训练特征的选择对准确皮层分区十分重要。为高效利用网络，我们提出针对皮层表面不规则且复杂结构的具体分区输入数据。为此，我们对齐真值皮层分区边界，并利用其生成的形变场来产生变形的几何特征与分区图的新配对。为扩展网络能力，我们随后使用中间形变场平滑地变形皮层几何特征与分区图。我们在 427 个成人脑上对 49 个标签验证了我们的方法。实验结果表明，我们的方法优于传统多图谱和朴素球面 U-Net 方法，同时以不到一分钟完成全皮层分区。
引用
@article{arxiv.1907.05395,
title = {Cortical Surface Parcellation using Spherical Convolutional Neural Networks},
author = {Prasanna Parvathaneni and Shunxing Bao and Vishwesh Nath and Neil D. Woodward and Daniel O. Claassen and Carissa J. Cascio and David H. Zald and Yuankai Huo and Bennett A. Landman and Ilwoo Lyu},
journal= {arXiv preprint arXiv:1907.05395},
year = {2019}
}