变化自编码器用于在低数据设置中生成基于合成谱的捆绑模板.

科学领域:

• 神经成像是一种神经成像.
• 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:

• 白质管区分的标准地图集需要大量的时间来创建,可能不代表多样化的人口.
• 现有的方法难以应对全脑通道图的复杂性和数据密集性.

研究的目的:

• 开发一种深度生成模型,用于创建合成的,特定于人群的白质捆绑模板.
• 为了提高自动白质管道细分的准确性和适用性.

主要方法:

• 使用卷积变化自编码器 (CVAE) 将流线映射到一个低维的潜空间.
• 在简化嵌入上使用的内核密度估计 (KDE) 来生成合成捆绑模板.
• 将框架应用于ADNI3数据集中的50名受试者.

主要成果:

• 生成了针对特定种群的合成捆绑模板,比标准地图集更好地捕捉捆绑形状分布.
• 定量形状分析证实了捆形状的改进表示.
• 通过使用该框架,证明了从全脑轨道图中成功的直接捆绑细分.

结论:

• 深度生成模型框架提供了一个有效的方法来创建特定人群的白质模板.
• 这种方法提高了白质管道细分的准确性,特别是在多样化的群体中.
• 该方法对推进神经成像分析和理解大脑连接有前途.