利用输入级特征变形,以指导注意力对硫标签进行标记

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:

• 皮层突的识别对于理解大脑发育和功能至关重要.
• 虽然初级和二级骨已得到充分研究,但由于解剖学变异性和数据稀缺性,三级骨仍未得到充分研究.
• 皮层的自动标记带来了诸多挑战,包括高可变性,小区域大小和有限的注释数据.

研究的目的:

• 开发一个新的端到端学习框架,用于准确的皮质的自动标记,重点是挑战三级.
• 解决现有方法在处理解剖变异性和感兴趣的小区域方面的局限性.
• 通过增强的Sulci识别,提高对功能性和结构性大脑发育的理解.

主要方法:

• 为端到端学习提出了一个球状卷积神经网络 (CNN) 框架.
• 开发了一种新的特征曲技术,以减轻sulci标记期间的解剖学变异性.
• 引入了指导注意力机制,以关注歧视性的地区,并压制不相关的信息.

主要成果:

• 与现有方法相比,拟议的方法在自动皮质标签方面表现出优异的性能.
• 特别是在准确识别假定三级硫时,观察到显著的改进.
• 该框架有效地处理了解剖学变异性,并强调了相关的状区域.

结论:

• 新的深度学习框架为自动皮质硫酸标记提供了强大的解决方案,特别是对于可变的三级硫酸.
• 该方法能够管理解剖学变异性并专注于关键区域,从而推进神经成像分析.
• 这项工作为研究研究皮质发育和功能的研究人员提供了宝贵的工具.