基于无监督学习的皮层表面配准
图像与视频处理
2020-07-28 v2 计算机视觉与模式识别
神经元与认知
摘要
由于人脑皮层的几何复杂性以及受试者间高度变异性，非刚性皮层配准是一项重要且具挑战性的任务。常规解决方案是使用表面属性的球面表示，并通过在该空间中对齐皮层折叠模式来进行配准。该策略可产生精确的空间对齐，但通常需要较高的计算成本。近来，卷积神经网络（CNNs）已展示出大幅加速体配准的潜力。然而，由于将球面投影到二维平面所引入的畸变，近期基于学习的方法直接应用于表面会产生较差结果。在本研究中，我们提出 SphereMorph，一种使用深度网络解决这些问题的皮层表面微分同胚配准框架。SphereMorph 使用带有球核的 UNet 风格网络来学习位移场，并使用改进的空间变换层对球面进行扭曲。我们提出在数据拟合损失计算中使用重采样权重，以补偿极投影引入的畸变，并在包括皮层分区和组水平功能区域对齐两项任务上展示了我们所提方法的性能。实验表明，所提出的 SphereMorph 能够在 CNN 框架中建模几何配准问题，并展现出优越的配准精度与计算效率。SphereMorph 的源代码将在本稿件被接受后于 https://github.com/voxelmorph/spheremorph 公开。
引用
@article{arxiv.2004.04617,
title = {Cortical surface registration using unsupervised learning},
author = {Jieyu Cheng and Adrian V. Dalca and Bruce Fischl and Lilla Zollei},
journal= {arXiv preprint arXiv:2004.04617},
year = {2020}
}
备注
cortical surface registration, deep network, unsupervised learning, registration, deep learning, cortical, spherical, invertible