用于脑表面分区的谱图变换器网络
图像与视频处理
2019-11-25 v1 计算机视觉与模式识别
摘要
将脑表面建模为图网格进行分析是一项具有挑战性的任务。传统深度学习方法常依赖于位于欧几里得空间的数据。作为对不规则图的扩展，卷积运算定义在傅里叶或谱域中。该谱域通过对图拉普拉斯矩阵分解获得，其捕获了相关的形状信息。然而，不同脑图之间的谱分解导致个体谱域特征向量间的不一致，致使图学习算法失效。当前谱图卷积方法通过缓慢的迭代步骤将特征向量单独对齐到参考脑来处理这种差异。本文提出一种新方法，使用直接数据驱动方法学习对齐脑网格所需的变换矩阵。我们的对齐与图处理方法提供了快速的脑表面分析。本文提出的新型谱图变换器（SGT）网络在谱域中使用极少量随机子采样节点来学习多个脑表面的对齐矩阵。我们验证了该SGT网络与图卷积网络结合用于皮层分区。在101个手动标注脑表面上的方法显示，相较无对齐策略分区性能更优，且相较传统迭代对齐方法速度显著提升（1400倍）。
引用
@article{arxiv.1911.10118,
title = {Spectral Graph Transformer Networks for Brain Surface Parcellation},
author = {Ran He and Karthik Gopinath and Christian Desrosiers and Herve Lombaert},
journal= {arXiv preprint arXiv:1911.10118},
year = {2019}
}
备注
Equal contribution of R. He and K. Gopinath