皮质曲面上的球面 U-Net：方法与应用
计算机视觉与模式识别
2019-04-02 v1
摘要
卷积神经网络（CNNs）在为欧几里得空间中涉及 2D/3D 图像的学习相关问题提供最先进性能方面已取得成果。然而，与欧几里得空间不同，医学影像中许多结构的形状在流形空间中具有球面拓扑，例如由三角网格表示的脑皮质或皮质下曲面，其在顶点数量和局部连通性上具有很大的受试者间和受试者内差异。因此，对于皮质/皮质下曲面数据，不存在一致的邻域定义，从而也没有直接的卷积/转置卷积操作。本文通过利用重采样并映射到球面空间的皮质曲面的规则且一致的几何结构，提出了一种类似于图像网格上标准卷积的新型卷积滤波器。相应地，我们开发了针对球面曲面数据的卷积、池化和转置卷积操作，从而构建了球面 CNNs。具体而言，我们用球面操作对应项替换标准 U-Net 中的所有操作，提出了球面 U-Net 架构。随后，我们将球面 U-Net 应用于婴儿大脑中两项具有挑战性且神经科学意义重大的任务：皮质曲面分区和皮质属性图发育预测。与最先进方法相比，这两项应用均展示了我们所提球面 U-Net 在准确性、计算效率和有效性方面的竞争优势。
引用
@article{arxiv.1904.00906,
title = {Spherical U-Net on Cortical Surfaces: Methods and Applications},
author = {Fenqiang Zhao and Shunren Xia and Zhengwang Wu and Dingna Duan and Li Wang and Weili Lin and John H Gilmore and Dinggang Shen and Gang Li},
journal= {arXiv preprint arXiv:1904.00906},
year = {2019}
}