基于半监督学习的几何与功能联合皮层配准
图像与视频处理
2023-10-18 v4 计算机视觉与模式识别
神经元与认知
摘要
基于脑表面的图像配准是脑图像分析的重要组成部分，其建立皮层表面之间的空间对应关系。现有的迭代与基于学习的方法侧重于准确配准大脑皮层的折叠模式，并假设几何结构预测功能，从而功能区域也将被良好对齐。然而，跨被试的解剖对应区域的结构/功能变异性已被广泛报道。在本工作中，我们提出一种基于学习的皮层配准框架 JOSA，其在联合对齐折叠模式与功能图的同时学习最优图谱。我们证明，JOSA 在解剖与功能两个域上均能大幅改善相对于现有方法的配准性能。通过采用半监督训练策略，所提框架在推理时无需功能数据，使其可用于可能未观测到功能数据的广泛神经科学领域。JOSA 的源代码将在 https://voxelmorph.net 公开发布。
引用
@article{arxiv.2303.01592,
title = {Joint cortical registration of geometry and function using semi-supervised learning},
author = {Jian Li and Greta Tuckute and Evelina Fedorenko and Brian L. Edlow and Bruce Fischl and Adrian V. Dalca},
journal= {arXiv preprint arXiv:2303.01592},
year = {2023}
}
备注
B. Fischl and A. V. Dalca are co-senior authors with equal contribution. This work has been published in MIDL 2023 (https://openreview.net/forum?id=n9v_BuIcY7G) Medical Imaging with Deep Learning, Nashville, TN, Jul. 2023