基于解耂感知的深度学习框架用于脑成像分析
图像与视频处理
2024-07-15 v1 计算机视觉与模式识别
摘要
神经疾病的异质性，从结构异常到功能障碍，为医学成像分析任务带来了重大挑战。此外，可靠数据集的有限可用性限制了鲁棒分析模型的开发。针对这一挑战，本研究提出一种新方法，利用人类大脑固有的解剖对称特性来增强后续脑病病检测和分割分析。提出一种新的Symmetry-Aware Cross-Attention(SACA)模块，用于编码左右半球的对称特征，并提出一种用于检测对称特征的代理任务，称为Symmetry-Aware Head(SAH)，以指导整个网络在包括大量健康和疾病脑图像的3D脑成像数据集上进行预训练。通过对下游任务进行严谨的实验，包括脑病病的分类和分割，本模型在state-of-the-art方法上表现出优异性能，尤其突显了对称感知学习的重要性。我们的发现主张将解耂感知纳入预训练中的有效性，并为医学成像分析树立了新基准，为实现准确和高效的诊断进程指明了前进方向。代码已公开于 https://github.com/bitMyron/sa-swin。
引用
@article{arxiv.2407.08948,
title = {Symmetry Awareness Encoded Deep Learning Framework for Brain Imaging Analysis},
author = {Yang Ma and Dongang Wang and Peilin Liu and Lynette Masters and Michael Barnett and Weidong Cai and Chenyu Wang},
journal= {arXiv preprint arXiv:2407.08948},
year = {2024}
}
备注
MICCAI 2024