(3) 组卷积神经网络和对DWI细分群组卷积和等价性的一项研究
Renfei Liu1, François Lauze1, Erik J Bekkers2
1Department of Computer Science, University of Copenhagen, Copenhagen, Denmark.
Frontiers in artificial intelligence
|March 17, 2025
概括
我们开发了新的组卷积神经网络,用于细分扩散加权成像数据. 纳入更多的集团行动,如SE(3),提高了细分性能和减少了模型参数.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 医学图像分析 医学图像分析
背景情况:
- 扩散加权成像 (DWI) 对于理解大脑结构至关重要.
- 对DWI数据的准确细分对于临床应用至关重要.
- 目前的方法可能需要大量的数据增强.
研究的目的:
- 引入SE(3) 集团卷积神经网络用于DWI数据细分.
- 调查集团行动对细分业绩的影响.
- 探索轻量化,直接的卷积方法.
主要方法:
- 开发了SE(3) 集团卷积神经网络和具有不同集团行动的变体.
- 实现了直接卷积,与之前的基于富里埃的方法形成鲜明对比.
- 经过训练和验证的网络使用人类连接项目DWI数据.
主要成果:
- 整合了更多集团行动的网络通常表现出更好的细分性能.
- 在SE(3) 集团行动提供了有利的诱导偏差.
- 直接卷曲被证明是一个更轻便的替代品.
- 拟议的方法可能会减少对数据增强的需求.
结论:
- 集团卷积神经网络为DWI细分提供了一个有前途的方法.
- 组等价卷积增强了细分的准确性和效率.
- 这种方法推进了神经成像数据的自动化分析.
