关键词：
球面网络
神经网络
卷积神经网络
皮层分区
皮层配准
无监督学习
大脑发育模型
数据结合
摘要：
磁共振成像(Magnetic Resonance Imaging,MRI)技术的问世与发展使得我们可以无创地采集、观察人类大脑图像并研究大脑的神经系统发育与疾病。在过去几十年中,MR图像处理的技术蓬勃发展,其中最关键的便是基于脑体积和基于脑皮层的数据处理方法。近年来,脑体积的数据处理流程中已经出现了很多基于深度学习的算法,提高了它的速度与精度,然而脑皮层的数据处理与分析大多还依赖传统的手工提取特征和机器学习方法,在很多应用上已经满足不了当前大规模神经影像数据处理的需求。因此,为了更加快速、准确地得到脑皮层数据的处理结果,本论文针对当前脑皮层分析流程中存在的问题进行深入探究,利用深度学习中的卷积神经网络(Convolutional Neural Network,CNN)加快了数据处理流程,同时还获得了比当前其他方法高得多的准确度。具体来讲,本论文重点围绕以下四个方面的工作展开。(1)基于球面U-Net的皮层分区与属性预测。大脑皮层表面的结构是在流形空间中具有球形拓扑属性的,其上的每一个顶点之间没有一致的邻域定义,因而无法在皮层表面上进行直接的卷积操作并搭建CNN。为了解决这个问题,本论文利用重新采样到球面空间的皮层表面的规则几何结构,提出了一种新型的卷积滤波器——1-ring卷积核。基于1-ring卷积核,我们在球面上开发了相应的卷积、池化和转置卷积等操作,从而构建了球面U-Net(Spherical U-Net)结构。随后,本论文将球面U-Net应用于大脑皮层数据处理中两个具有挑战性的任务:皮层表面分区和皮层属性发育预测。这两个应用都证明了本论文提出的球面U-Net在准确性和计算效率上具有更加优越的性能。(2)基于三个正交球面U-Net的快速球面配准算法。皮层表面配准是将不同个体和时间点的皮层表面对齐,以建立横向和纵向的皮层对应关系。本论文基于CNN开发了一个快速球面配准(Superfast Spherical Surface Registration,S3Reg)算法。S3Reg采用了端到端的无监督学习策略,因此在输入特征和输出相似度上提供了很大的灵活性,同时还显著地降低了配准时间。为了解决极点失真问题,我们设计了三个正交球面U-Net网络结构,利用球面CNN强大的学习能力直接学习球面空间中的速度场,并通过“缩放和平方”层得到能够保证拓扑结构的变形场。分别配准成人和婴儿的多模态皮层特征的实验结果表明,本论文提出的S3Reg获得了与当前最好配准方法相当的性能,但同时将配准时间从1分钟降低到了10秒。(3)基于球面神经网络的大脑皮层同时分区与配准。传统的大脑皮层配准与分区是两个独立的任务,但这明显忽略了他们之间的密切联系。为此,本论文提出了一个同时进行配准和分区的深层球面神经网络。我们首先使用一个编码器学习这两个任务的共享特征,然后分别为配准和分区训练一个特定的解码器。随后,为了进一步挖掘这两个任务之间的明确联系,利用分区图相似性损失来加强感兴趣区域边界的一致性,从而为配准任务提供额外的监督信息。反过来,将一个带有人工标记的分区图配准到另一个没有人工标记的球面上可以为分区任务提供额外的训练数据。实验结果表明,本论文提出的方法相比单独训练的分区和配准模型获得了巨大的提升,并且能够使用很少的标记数据来训练高质量的分区和配准模型。(4)基于球面U-Net的多中心皮层属性数据结合方法。直接结合多中心的神经影像数据,例如大脑皮层厚度,进行联合分析将不可避免地引入MRI扫描仪的差异。为了解决这个问题,本论文将球面U-Net和周期一致性对抗网络结合起来,提出了球面皮层表面的周期一致性对抗网络——Surface to Surface Generative Adeversarial Network(S2SGAN)。S2SGAN首先将扫描仪X到扫描仪Y的数据结合建模为球面之间的数据映射任务。因此,它需要学习一个映射G:X→Y,使得G(X)的数据分布与Y无法区分。其次,数据结合还要保留个体差异,S2SGAN便利用了逆映射G:Y→X和周期一致性损失让G(G(X))≈X(反之亦然)。在合成的和真实的脑皮层数据上的定量和定性结果都表明,与当前最好的方法相比,本论文提出的方法在消除不必要的扫描仪效应和保留个体差异方面都获得了更好的结果。
欢迎来到三峡大学图书馆！
同方期刊数据库
详细信息
