探索隐式神经表示的性能,用于大脑图像注册.
Michal Byra1,2, Charissa Poon3, Muhammad Febrian Rachmadi3,4
1RIKEN Center for Brain Science, Wako, Japan. michal.byra@riken.jp.
Scientific reports
|October 13, 2023
概括
隐式神经表示 (INRs) 提高了MRI中脑图像记录的准确性. 通过探索各种激活功能和先进技术,这些方法显示了神经科学和放射学应用的巨大潜力.
科学领域:
- 医疗成像医学成像
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 对照图像注册对于在神经科学和放射学中比较和整合大脑成像数据至关重要.
- 隐式神经表示 (INR) 提供了一个连续的,基于坐标的方法来建模变形场.
研究的目的:
- 评估INRs对改善磁共振成像 (MRI) 脑图像记录的有效性.
- 探索各种激活功能和优化技术,以提高INR性能.
主要方法:
- 在INR中研究了各种激活功能 (SIRENs,ReLU,snake,sine+,chirp,Morlet波段)
- 与注册性能相关的模型超参数.
- 评估了诸如循环一致性丧失,合奏,级联和组合目标等技术.
- 将INR方法与Voxelmorph和ANT的SyN算法进行比较.
主要成果:
- 隐性网络在对对脑图像注册方面表现出显著的能力.
- 经过测试的激活功能和优化策略对性能产生了不同的影响.
- 与已建立的算法相比,INR方法取得了竞争力或优异的结果.
结论:
- 在神经成像中,INR显示出解决对照图像注册挑战的巨大潜力.
- 隐性网络为神经科学和放射学提供了一个多功能,现成的工具.
