用于鲁棒白质纤维束编码的可微分 VQ-VAE
机器学习
2023-11-21 v2 机器学习
应用统计
摘要
鉴于白质纤维束的复杂几何结构，自编码器已被提出作为一种降维工具，以在低维潜空间中简化纤维束的分析。然而，尽管取得了这些近期成功，大多数编码器架构仅对单根纤维束进行降维，而非对整个纤维束。这是编码器架构的一个严重局限，其以牺牲个体纤维为代价完全忽视了纤维束的全局几何结构。此外，潜空间可能未被良好结构化，从而导致对其可解释性的质疑。在本文中，我们提出一种新颖的可微分向量量化变分自编码器（Differentiable Vector Quantized Variational Autoencoder），其设计用于将以整束纤维束作为单个数据点输入，并提供可靠可信的编码，随后可用于在潜空间中分析纤维束。与几种最先进自编码器的比较展示了在编码与合成方面的优越性能。
引用
@article{arxiv.2311.06212,
title = {Differentiable VQ-VAE's for Robust White Matter Streamline Encodings},
author = {Andrew Lizarraga and Brandon Taraku and Edouardo Honig and Ying Nian Wu and Shantanu H. Joshi},
journal= {arXiv preprint arXiv:2311.06212},
year = {2023}
}
备注
5 pages, 4 figures, 1 table