Joint cortical registration of geometry and function using semi-supervised learning

要約

脳画像解析の重要な要素である脳表面ベースの画像レジストレーションは、皮質表面間の空間的な対応関係を確立する。既存の反復学習ベースのアプローチでは、大脳皮質の折りたたみパターンの正確なレジストレーションに焦点を当て、形状が機能を予測するため、機能領域もうまく一致することを前提としている。しかし、解剖学的に対応する領域の構造・機能的なばらつきは、被験者間で広く報告されている。本研究では、学習ベースの皮質登録フレームワークであるJOSAを導入し、折りたたみパターンと機能マップを共同で整列させると同時に、最適なアトラスを学習する。JOSAは、解剖学的領域と機能的領域の両方において、既存の方法よりも大幅にレジストレーション性能を向上させることができることを実証する。半教師付き学習戦略を採用することで、提案するフレームワークは推論時に機能データを必要としないため、機能データが観測されないような幅広い神経科学領域での利用が可能となる。

要約(オリジナル)

Brain surface-based image registration, an important component of brain image analysis, establishes spatial correspondence between cortical surfaces. Existing iterative and learning-based approaches focus on accurate registration of folding patterns of the cerebral cortex, and assume that geometry predicts function and thus functional areas will also be well aligned. However, structure/functional variability of anatomically corresponding areas across subjects has been widely reported. In this work, we introduce a learning-based cortical registration framework, JOSA, which jointly aligns folding patterns and functional maps while simultaneously learning an optimal atlas. We demonstrate that JOSA can substantially improve registration performance in both anatomical and functional domains over existing methods. By employing a semi-supervised training strategy, the proposed framework obviates the need for functional data during inference, enabling its use in broad neuroscientific domains where functional data may not be observed.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL