相关实验视频
Updated: Jul 6, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
TetCNN:在四面体网格上的卷积神经网络
Mohammad Farazi1, Zhangsihao Yang1, Wenhui Zhu1
1School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ 85281, USA.
Information processing in medical imaging : proceedings of the ... conference
|January 5, 2024
概括
这项研究为四面体网介绍了一个新的可解释图形卷积网络 (CNN),增强了大脑图像分析. 这种新型框架利用体积拉普拉斯-贝尔特拉米运算符 (LBO) 进行阿尔茨海默病中优异的生物标志物发现.
科学领域:
- 神经成像是一种神经成像.
- 计算解剖学的计算解剖学
- 机器学习是机器学习.
背景情况:
- 卷积神经网络 (CNN) 广泛用于图像,视频和图形数据,但对四面体网格的探索较少.
- 卷度网格在脑图像分析中提供了优势,需要专门的CNN框架.
- 现有的图形拉普拉斯缺少里曼的度量信息,这对于3D多边分析至关重要.
研究的目的:
- 引入一种新的可解释图形CNN框架,专门设计用于四面体网状结构.
- 为了利用体积拉普拉斯-贝尔特拉米运算符 (LBO) 在3D分流体上进行增强的特征提取.
- 调整CNN以分析以四面体网格表示的大脑图像数据,特别是用于疾病生物标志物识别.
主要方法:
- 开发了一个新的可解释图形CNN框架,利用四面体网格的体积拉普拉斯-贝尔特拉米运算符 (LBO).
- 在Graclus算法中引入了针对本地化最小削减的新目标函数,适应了基于LBO的聚合策略.
- 采用一条式常量近似方案来估计LBO在合并后采样的网格上.
- 适应梯度加权类激活映射用于四面体网格,以可视化感兴趣的区域.
主要成果:
- 证明了基于LBO的卷积层的有效性,并从阿尔茨海默病患者的皮质四面体网格上调整了聚合.
- 与传统方法相比,它表现出优越的性能,包括单元皮层厚度,拉普拉斯图和点云表示.
- 成功地将发现的感兴趣区域视觉化为潜在的生物标志物,使用适应的热图.
结论:
- 提出的基于LBO的图形CNN框架对于分析神经成像应用中的四面体网格是有效的.
- 与现有方法相比,该新框架在识别与疾病相关的模式方面提供了更高的性能.
- 这种方法有望推动阿尔茨海默氏症等神经退行性疾病中的生物标志物发现.
