强大的自动化临床前fMRI预处理通过多阶段扩展卷积Swin变压器同源注册
Sima Soltanpour1, Md Taufiq Nasseef2, Rachel Utama3
1School of Information Technology, Carleton University, Ottawa, ON, Canada.
Frontiers in neuroscience
|December 29, 2025
概括
这项研究引入了一种先进的深度学习管道,用于临床前功能磁共振成像 (fMRI) 预处理. 这种新的方法提高了亲属记录的准确性,这对于分析复杂的大脑数据至关重要.
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.
- 生物医学工程 生物医学工程
背景情况:
- 准确的预处理临床前功能磁共振成像 (fMRI) 数据对于可靠的分析至关重要.
- 传统和深度学习方法面临的挑战是由于低分辨率,大脑几何变化和有限的数据集.
研究的目的:
- 开发一种基于深度学习的先进预处理管道,用于临床前fMRI.
- 为了提高亲属登记的准确性,使fMRI数据与标准地图集保持一致.
主要方法:
- 该管道整合了基于3D生成对抗网络 (GAN) 的denoising和基于变压器的头骨剥离.
- 一个新的多阶段扩展卷积旋转变压器 (MsDCSwinT) 被提议用于同类注册.
- 该方法在临床前fMRI数据中捕获了本地和全球空间错位.
主要成果:
- 拟议的管道在多个临床前fMRI研究中得到了验证.
- 基于Swin变压器的亲缘注册模块表现出卓越的性能.
- 与最先进的方法相比,获得了更高的平均子相似系数.
结论:
- 开发的管道为临床前fMRI预处理提供了强大,准确和自动化的解决方案.
- 利用生成对抗网络和变压器显著改善了数据对齐和分析.
- 这项工作提升了分析复杂的临床前脑成像数据的能力.
