一个联合的分片和边界网络,具有多速率共享的扩展图表注意力,用于皮质表面分片

科学领域:

• 神经成像和计算神经科学
• 医学图像分析 医学图像分析
• 机器学习用于医疗保健

背景情况:

• 皮层表面分片对于理解神经疾病至关重要,但目前的方法在学习边界模式方面存在困难.
• 在临床诊断和治疗中,精确地分为解剖学和功能重要区域的细分是必不可少的.

研究的目的:

• 开发一种改进的皮层表面分片方法,以解决边界学习的局限性.
• 为了提高细分人类大脑皮质表面的有效性和准确性.

主要方法:

• 提出了一个联合分片和边界网络 (JPBNet),将边界学习整合到分片过程中.
• 开发了一个多速率共享扩展图表注意力 (MDGA) 模块,将扩展卷积扩展到图表数据.
• 在每个层内嵌入边界和分片增强模块,由图表注意力机制监督.

主要成果:

• 拟议的JPBNet在公共数据集上的现有方法相比,表现优越.
• 该方法有效地捕捉了边界检测和分片任务的信息特征.
• 实验结果显示,在识别皮层表面分片的关键边界方面表现强.

结论:

• 通过有效地学习和利用边界信息,JPBNet显著推进皮质表面分片.
• 这种方法提供了一种更强大,更准确的方法来细分大脑区域,有助于神经疾病的研究和诊断.