面向 3D-PLI 中神经纤维分布模式的自监督表示学习
计算机视觉与模式识别
2025-05-19 v2
摘要
全面理解人脑的组织原理，除其他因素外，需要可良好量化的神经纤维结构描述符。三维偏振光成像（3D-PLI）是一种显微成像技术，能够以高分辨率洞察有髓神经纤维的精细组织结构。在 3D-PLI 中观察到的纤维结构特征描述符将有助于下游分析任务，例如多模态关联研究、聚类和映射。然而，对于 3D-PLI 中纤维结构的观察者无关表征，目前尚无最佳实践。为此，我们提出应用一种完全数据驱动的方法，利用自监督表示学习来表征 3D-PLI 图像中的神经纤维结构。我们引入了一个 3D-上下文对比学习（CL-3D）目标，该目标利用跨越 3D 重建体积的组织学脑切片的纹理示例的空间邻域来采样对比学习的正样本对。我们将此采样策略与专门设计的图像增强相结合，以获得对 3D-PLI 参数图中典型变化的鲁棒性。该方法在长尾黑颚猴大脑的 3D 重建枕叶上进行了演示。我们表明，提取的特征对不同配置的神经纤维高度敏感，同时对因组织学处理导致的连续脑切片之间的变化具有鲁棒性。我们展示了它们在检索均匀纤维结构簇、以最少标注进行分类以及基于查询检索纤维结构的特征组件（如 U-纤维）方面的实际适用性。
引用
@article{arxiv.2401.17207,
title = {Self-Supervised Representation Learning for Nerve Fiber Distribution Patterns in 3D-PLI},
author = {Alexander Oberstrass and Sascha E. A. Muenzing and Meiqi Niu and Nicola Palomero-Gallagher and Christian Schiffer and Markus Axer and Katrin Amunts and Timo Dickscheid},
journal= {arXiv preprint arXiv:2401.17207},
year = {2025}
}
备注
Journal version