Pseudo-renderizado para la resolución y la topología invariante de la parcelación cortical

Área de la Ciencia:

• Imágenes neurológicas
• Neurociencia computacional
• Análisis de imágenes médicas

Sus antecedentes:

• La parcelación de la malla cortical es crucial para el análisis de neuroimágenes.
• Los métodos existentes a menudo requieren una topología de malla esférica, excluyendo datos imperfectos o ruidosos.
• El aprendizaje profundo lucha con exploraciones superficiales no descriptivas y dependencias de largo alcance.

Objetivo del estudio:

• Desarrollar un nuevo método de parcelación de malla cortical resistente a los defectos topológicos y al ruido de exploración superficial.
• Para replantear la parcelación de malla como una tarea de segmentación 2D utilizando un marco basado en la representación.
• Mejorar la precisión y aplicabilidad de la fragmentación cerebral para diversos datos de neuroimagen.

Principales métodos:

• Proponer "pseudo-rendimiento-rendimiento inverso" (PRIR) utilizando un marco de rendimiento inverso directo.
• Renderizar mallas desde múltiples vistas, proyectando vectores normales a imágenes de 3 canales.
• Utilice U-Nets para la segmentación de imágenes en 2D y mapee los resultados a vértices en 3D.
• Emplear campos aleatorios de Markov para el postprocesamiento para garantizar la suavidad y manejar las oclusiones.

Principales resultados:

• PRIR es independiente de la topología de malla, a diferencia de los métodos tradicionales y de aprendizaje profundo.
• Consigue una precisión de última generación en mallas de materia blanca topológicamente correctas.
• Demuestra una segmentación precisa para escaneos de superficie simulados y reales, incluidos los datos ruidosos.

Conclusiones:

• PRIR ofrece una solución robusta y versátil para la parcelación de malla cortical.
• El método maneja eficazmente las imperfecciones topológicas y captura las dependencias de largo alcance.
• El PRIR avanza en el análisis de neuroimágenes al permitir una segmentación precisa de conjuntos de datos desafiantes.