用于脑皮层分区的几何脑表面网络

大量基于脑影像数据的表面分析采用特定脑图谱以更好地评估一个或多个脑区的结构与功能变化。在这些分析中，有必要通过参考给定图谱在个体脑中获得解剖学正确的表面分区方案。实现此目标的传统方式是通过设计的基于表面的配准或手工制作的表面特征，尽管二者均耗时。近期的深度学习方法依赖于网格的规则球面参数化，这在某些情况下计算代价高昂，且可能还需进一步后处理以细化网络输出。因此，直接作用于原始脑表面的准确全自动皮层表面分区方案将极具优势。在本研究中，我们提出一种端到端深度脑皮层分区网络，称为 \textbf{DBPN}。通过内蕴与外蕴图卷积核，DBPN 动态解读每个顶点周围的邻域图拓扑，并将解读的知识编码为节点特征。最终，构建节点特征与分区标签之间的非线性映射。我们的模型是一个两阶段深度网络，包含具 U 形结构的粗分区网络与细化网络以微调粗结果。我们在大型公开数据集中评估模型，且我们的工作在精度与效率上均优于最先进的基线方法。