优化对比学习用于皮层折叠模式检测

人类大脑皮层有许多凸起和凹槽，称为脑回和脑沟。尽管主要皮层折叠在个体间具有高度一致性，但当我们检查折叠模式的确切形状和细节时，情况并非如此。由于这种复杂性，表征皮层折叠变异性并将其与受试者的行为特征或病理联系起来仍然是一个悬而未决的科学问题。经典方法包括基于几何距离手动或半自动地标记少数特定模式，但最近数万名受试者的MRI图像数据集的可用性使得现代深度学习技术特别有吸引力。在此，我们构建了一个自监督深度学习模型来检测扣带区域的折叠模式。我们在人类连接组计划（1101名受试者）和UKBioBank（21070名受试者）数据集上，使用基于拓扑的皮层骨架增强方法，训练了一个对比自监督模型（SimCLR）。皮层骨架是捕捉折叠形状的拓扑对象。我们为SimCLR探索了几种骨干架构（卷积网络、DenseNet和PointNet）。为了评估和测试，我们在一个手动标记了扣带区域是否存在“双平行”折叠模式（该模式与精神分裂症特征相关）的数据库上执行线性分类任务。最佳模型是一个6层卷积网络，具有10维潜在空间、线性投影头，并使用分支裁剪增强，其测试AUC达到0.76。这是首次在如此大规模的数据集上将自监督深度学习模型应用于皮层骨架并进行定量评估。我们现在可以展望下一步：将其应用于其他大脑区域以检测其他生物标志物。