数据驱动的概率图谱捕捉全脑个体差异
机器学习
2018-06-07 v1 神经元与认知
机器学习
摘要
概率图谱为图像解释、贝叶斯建模和算法处理提供了重要的空间上下文信息。此类图谱通常通过将具有相似人口统计学信息的受试者进行分组来构建。重要的是，使用相同的扫描仪可以最小化组间差异。然而，此类方法的泛化性和空间特异性存在一定局限。受 Commowick “弗兰肯斯坦范式”（构建个人特定解剖图谱）的启发，我们提出了一种数据驱动框架，在大规模数据方案下构建个人特定的概率图谱。该数据驱动框架使用点分布模型对具有相似特征的区域进行聚类，以学习不同的解剖表型。区域结构图谱和相应的区域概率图谱被用作字典中的索引和目标。通过对字典进行索引，全脑概率图谱能够快速适应每个新受试者，并可作为可视化和处理的空间先验。该方法的新颖之处在于：（1）提供了一种在跨站点的数据驱动方案下生成个人特定全脑概率图谱（132个区域）的新视角；（2）该框架采用了大量异构数据（2349张图像）；（3）所提出的框架实现了低计算成本，因为对于新受试者仅需一次仿射配准和皮尔逊相关运算。在测试概率图谱时，我们的方法以更高的 Dice 相似度值更好地匹配了个体区域。重要的是，使用大规模训练数据（1888张图像）比较小训练集（720张图像）具有更好的性能，这证明了大规模方案的优势。
引用
@article{arxiv.1806.02300,
title = {Data-driven Probabilistic Atlases Capture Whole-brain Individual Variation},
author = {Yuankai Huo and Katherine Swett and Susan M. Resnick and Laurie E. Cutting and Bennett A. Landman},
journal= {arXiv preprint arXiv:1806.02300},
year = {2018}
}