CorticalFlow$^{++}$:提升皮层表面重建的精度、规则性与互操作性
图像与视频处理
2022-06-15 v1 计算机视觉与模式识别
机器学习
摘要
从磁共振成像进行皮层表面重建的问题传统上由 FreeSurfer、CAT 或 CIVET 等图像处理技术的冗长流水线解决。这些框架需要极长的运行时间,对实时应用不可行,对大规模研究也不实用。近来,有监督深度学习方法被引入以加速该任务,将重建时间从数小时缩短至数秒。本文以最先进的 CorticalFlow 模型为蓝本,提出三项改进以提升其精度及与现有表面分析工具的互操作性,同时不牺牲其快速推理时间与低 GPU 显存消耗。首先,我们采用更精确的 ODE 求解器以减少微分同胚映射的近似误差。其次,我们设计了一种生成更光滑模板网格的例程,避免 CorticalFlow 基于凸包的模板中尖锐边缘引起的网格伪影。最后,我们将软脑膜表面预测重述为对预测白质表面的形变,从而在白质与软脑膜表面顶点间建立一一映射。该映射对许多现有的皮层形态测量表面分析工具至关重要。我们将所得方法命名为 CorticalFlow。利用大规模数据集,我们证明了所提改动在保持重建时间与 GPU 显存需求几乎不变的同时,提供了更高的几何精度与表面规则性。
引用
@article{arxiv.2206.06598,
title = {CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability},
author = {Rodrigo Santa Cruz and Léo Lebrat and Darren Fu and Pierrick Bourgeat and Jurgen Fripp and Clinton Fookes and Olivier Salvado},
journal= {arXiv preprint arXiv:2206.06598},
year = {2022}
}