一个自我注意模型,用于功能性MRI的强大的刚性切片到体积的注册

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 功能磁共振成像 (fMRI) 对神经科学研究至关重要,但头部运动器件会降低数据质量和分析准确性.
• 目前的断片对体积记录 (SVR) 方法,包括深度学习方法,往往无法考虑输入数据的不确定性,导致运动校正不足最佳.
• 现有的技术对待所有fMRI切片均等,忽视它们不同的相关性,并导致不准确的结果.

研究的目的:

• 开发一个端到端的SVR模型,其中包含一个自我注意机制,用于在fMRI中进行强大的头部运动校正.
• 通过解决输入数据的不确定性,提高回顾式切片级运动校正的准确性和效率.
• 提高fMRI数据的可靠性,通过在注册过程中对单个切片赋予不同的重要性来提高fMRI数据的可靠性.

主要方法:

• 为SVR开发了一个端到端的深度学习模型,利用独立的切片和卷编码器.
• 集成了一个自我注意模块来分配像素智能分数,增强对输入变化和不确定性的稳定性.
• 该模型在健康大脑网络 (HBN) 数据集上进行了训练和验证,模拟了刚性转换以模拟现实的运动场景.

主要成果:

• 拟议的SVR模型实现了具有竞争力的对齐精度,与最先进的深度学习方法 (1.86 mm,p<0.03) 相比,欧几里德距离 (0.93 mm) 显着较低.
• 该模型在注册速度方面取得了实质性的改进,每卷运行时间为0.096秒,而传统代方法的运行时间为1.17秒.
• 实验结果证实了该模型在处理输入数据的不确定性和变异方面的有效性.

结论:

• 开发的具有自我注意力的端到端SVR模型为fMRI中回顾式头部运动校正提供了强大而高效的解决方案.
• 这种方法显著提高了对齐准确度和注册速度,解决了以前基于DL的方法的局限性.
• 该模型处理输入不确定性的能力有助于实时追踪头部运动,提高fMRI采集和分析的整体可靠性.