基于深度神经网络的大脑连接体形状建模
神经元与认知
2023-03-06 v2 计算机视觉与模式识别
图像与视频处理
摘要
扩散加权磁共振成像(DWI)的目标是在活体中推断个体受试者大脑的结构连接性。为了统计研究正常与异常大脑连接体之间的变异与差异,需要神经连接的数学模型。本文将大脑连接体表示为黎曼流形,从而将神经连接建模为测地线。这导致了一个极具挑战性的问题:估计与DWI数据相容的黎曼度量,即该度量下的测地曲线能代表连接组学中的个体纤维束。我们将此问题化简为求解一组高度非线性的偏微分方程(PDEs),并研究了卷积编码器-解码器神经网络(CEDNNs)在求解这一几何驱动的PDE中的适用性。我们的方法在测地线与白质通路的对齐上取得了优异性能,并解决了以往测地线纤维追踪方法中的一个长期问题:无法高保真地恢复交叉纤维。
引用
@article{arxiv.2203.06122,
title = {Modeling the Shape of the Brain Connectome via Deep Neural Networks},
author = {Haocheng Dai and Martin Bauer and P. Thomas Fletcher and Sarang Joshi},
journal= {arXiv preprint arXiv:2203.06122},
year = {2023}
}
备注
12 pages, 5 figures