皮层表面重建的工作原理（AI +数据表示）
皮层表面重建的工作原理（AI +数据表示）
- CorticalFlow：用于皮质表面重建的微分网格变形模块（ arXiv )
作者 ： 莱奥·莱布拉特 , 罗德里戈·圣克鲁斯 , 弗雷德里克·德·古尔奈 , Darren Fu , 皮瑞克·布尔雅 , 于尔根·弗里普 , 克林顿福克斯 , 奥利弗得救
抽象的 ： 在本文中，我们介绍了 CorticalFlow，这是一种新的几何深度学习模型，在给定 3 维图像的情况下，它可以学习将参考模板变形为目标对象。为了保留模板网格的拓扑属性，我们在一组微分同胚变换上训练我们的模型。这种流式常微分方程 (ODE) 框架的新实现得益于较小的 GPU 内存占用，允许生成具有数十万个顶点的曲面。为了减少由其离散分辨率引入的拓扑误差，我们推导了改进预测三角形网格的多样性的数值条件。为了展示 CorticalFlow 的实用性，我们展示了它在大脑皮质表面重建这一具有挑战性的任务中的表现。与当前最先进的技术相比，CorticalFlow 可产生出色的表面，同时将计算时间从九分半钟减少到一秒。更重要的是，CorticalFlow 强制生成解剖学上似是而非的表面。它的缺乏是限制这种表面重建方法的临床相关性的主要障碍
2. PialNN：皮质软脑膜表面重建的快速深度学习框架（arXiv）
作者 ： Qiang Ma , 艾玛·C·罗宾逊 , 伯恩哈德·凯恩斯 , 丹尼尔·鲁克特 , 阿米尔·阿兰萨里
抽象的 ： 传统的皮质表面重建耗时且受脑磁共振成像 (MRI) 分辨率的限制。在这项工作中，我们介绍了软脑膜神经网络 (PialNN)，这是一种用于软脑膜表面重建的 3D 深度学习框架。 PialNN 进行端到端训练，通过一系列学习的变形块将初始白质表面变形为目标软脑膜表面。每个块中都包含一个局部卷积操作，以捕获每个顶点及其邻域的多尺度 MRI 信息。这是快速且节省内存的，它允许在一秒钟内重建具有 150k 个顶点的软膜表面网格。性能是在人类连接组计划 (HCP) 数据集上评估的，包括 300 名受试者的 T1 加权 MRI 扫描。实验结果表明，与最先进的深度学习方法相比，PialNN 将预测的软脑膜表面的几何误差降低了 30%
3.DeepCSR：一种用于皮层表面重建的3D深度学习方法（ arXiv )
作者 ： 罗德里戈·圣克鲁斯 , 里奥莱布拉特 , 皮瑞克·布尔雅 , 克林顿福克斯 , 于尔根·弗里普 , 奥利弗得救
抽象的 ： 神经退行性疾病的研究依赖于磁共振成像 (MRI) 对大脑皮层的重建和分析。用于此任务的传统框架（如 FreeSurfer）需要较长的运行时间，而其加速变体 FastSurfer 仍然依赖于体素分割，该分割受限于其将狭窄的连续对象捕获为皮质表面的分辨率。考虑到这些限制，我们提出了 DeepCSR，这是一个用于从 MRI 重建皮质表面的 3D 深度学习框架。为此，我们训练了一个具有超列特征的神经网络模型来预测大脑模板空间中点的隐式表面表示。训练后，通过评估特定坐标处的表面表示，然后应用拓扑校正算法和等值面提取方法，获得所需细节级别的皮质表面。由于这种方法的连续性及其超柱特征方案的有效性，DeepCSR 有效地以高分辨率重建皮质表面，捕获皮质折叠中的精细细节。此外，在从 MRI 重建皮质表面方面，DeepCSR 与广泛使用的 FreeSurfer 工具箱及其深度学习驱动的变体 FastSurfer 一样准确、更精确和更快，这将有助于大规模医学研究和新的医疗保健应用
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
浙公网安备 33010602011771号