用于纵向预测缺失婴儿皮质表面的生长轨迹深度建模
计算机视觉与模式识别
2020-09-15 v2
摘要
绘制皮质生长轨迹对于理解大脑发育至关重要。然而，此类分析需要收集纵向数据，而由于受试者退出和扫描失败，这可能存在挑战。在本文中，我们将介绍一种使用空间图卷积神经网络（GCNN）进行皮质表面纵向预测的方法，该网络将常规 CNN 从欧几里得空间扩展到弯曲流形。所提方法旨在建模皮质生长轨迹并联合预测多个时间点的内、外皮质表面。在损失计算中采用二值标志处理缺失数据，我们充分利用所有可用的皮质表面训练深度学习模型，而无需完整的纵向数据收集。直接预测表面使得皮质厚度、曲率和凸度等皮质属性可被计算以用于后续分析。我们将通过实验结果证明，我们的方法能够捕捉时空皮质生长模式的非线性，并可更准确地预测皮质表面。
引用
@article{arxiv.2009.02797,
title = {Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces},
author = {Peirong Liu and Zhengwang Wu and Gang Li and Pew-Thian Yap and Dinggang Shen},
journal= {arXiv preprint arXiv:2009.02797},
year = {2020}
}
备注
Accepted as oral presentation at IPMI 2019