一项对自上而下和自下而上深度学习方法的初步探索,以定位体积核磁共振成像中神经干预点目标

科学领域:

• 机器学习 机器学习
• 医疗成像医学成像
• 神经科学是一个神经科学.

背景情况:

• 精确的点定位对于神经干预计划至关重要,类似于认知心理学中的视觉搜索机制.
• 传统的卷积神经网络 (CNN) 通常采用自下而上的方法,这可能不适合3D点定位任务.
• 研究自上而下的与自下而上的处理模式对神经干预规划中的3D点定位的影响.

研究的目的:

• 在神经干预规划中调查自上而下的与自下而上的3D点定位模式的有效性.
• 为了比较以坐标为基础的和以热图为基础的对点定位表示.
• 分析训练数据量对网络性能和灵敏度的影响.

主要方法:

• 开发了基于自上而下和自下而上范式的四个不同的神经网络框架,利用坐标和热图表示.
• 将这些框架应用于两个神经成像数据集,用于皮质 (重复性横磁刺激) 和皮质下 (深度大脑刺激) 解剖学定位.
• 使用交叉验证和不同数量的训练数据评估网络性能,评估对数据量和内存消耗的敏感性.

主要成果:

• 所有网络都通过增加培训数据表现出更好的表现,以坐标为基础的自上而下的网络始终优于其他网络.
• 与自下而上的架构相比,自上而下的架构通常显示出更高的性能.
• 与自下而上的和基于热图的方法相比,以自上而下的坐标为基础的架构显著降低了内存消耗.

结论:

• 该研究表明,上下处理范式虽然不太常见,但有可能开发更高效和有效的机器学习架构,用于3D点本地化.
• 研究结果表明,以自上而下的坐标为基础的网络为神经干预计划工具的未来进步提供了有希望的方向.
• 进一步的研究是有必要的,以探索额外的建筑考虑,并扩大调查在更广泛的建筑范围.