基于孪生 LSTM 的纤维结构相似性网络 (FS2Net) 用于旋转不变的脑纤维追踪分割
计算机视觉与模式识别
2017-12-29 v1
摘要
本文提出一种结合堆叠双向 LSTM 与孪生网络架构中 LSTM 的新型深度学习架构，用于将纤维追踪数据得到的脑纤维分割为具有解剖学意义的簇。所提网络学习不同类别纤维之间的结构差异，从而能够以高准确率对纤维进行分类。重要的是，捕获此类深度的类间与类内结构关系还确保了分割对测试与训练数据之间的相对旋转具有鲁棒性，因此可用于未配准的数据。我们在数十万量级纤维上的大量实验表明，即便测试与训练数据之间存在较大相对旋转，所提模型仍取得了最先进的结果。
引用
@article{arxiv.1712.09792,
title = {Siamese LSTM based Fiber Structural Similarity Network (FS2Net) for Rotation Invariant Brain Tractography Segmentation},
author = {Shreyas Malakarjun Patil and Aditya Nigam and Arnav Bhavsar and Chiranjoy Chattopadhyay},
journal= {arXiv preprint arXiv:1712.09792},
year = {2017}
}