DeepCSR：一种用于皮层表面重建的三维深度学习方法
图像与视频处理
2020-10-23 v1 计算机视觉与模式识别
摘要
神经退行性疾病的研究依赖于从磁共振成像（MRI）中对脑皮层进行重建与分析。用于该任务的传统框架如 FreeSurfer 需要很长的运行时间，而其加速变体 FastSurfer 仍依赖于体素级分割，受限于其分辨率难以捕捉诸如皮层表面这类狭窄的连续对象。考虑到这些局限，我们提出 DeepCSR，一种从 MRI 进行皮层表面重建的三维深度学习框架。为此，我们训练一个具有超列（hypercolumn）特征的神经网络模型，以预测脑模板空间中各点的隐式表面表示。训练后，通过在特定坐标处评估表面表示，并随后应用拓扑校正算法与等值面提取方法，即可获得所需细节层次的皮层表面。得益于该方法的连续性质及其超列特征方案的有效性，DeepCSR 能以高分辨率高效重建皮层表面，捕捉皮层折叠中的精细细节。此外，在从 MRI 重建皮层表面方面，DeepCSR 与广泛使用的 FreeSurfer 工具箱及其深度学习驱动的变体 FastSurfer 相比，精度相当、更精确且更快，这将有助于大规模医学研究及新型医疗应用。
引用
@article{arxiv.2010.11423,
title = {DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction},
author = {Rodrigo Santa Cruz and Leo Lebrat and Pierrick Bourgeat and Clinton Fookes and Jurgen Fripp and Olivier Salvado},
journal= {arXiv preprint arXiv:2010.11423},
year = {2020}
}
备注
Accepted in 2021 IEEE Winter Conference on Applications of Computer Vision (WACV)