我们提出了一种新颖的神经网络架构,称为Autoatlas,用于3D脑磁共振成像(MRI)卷的完全无监督分区和表示学习。 Autoatlas由两个神经网络组件组成:一个神经网络基于卷中的本地纹理执行多标签分区,以及第二神经网络以压缩每个分区内包含的信息。我们通过优化旨在促进每个分区的准确重建的损耗功能同时培训这两种组件,同时鼓励空间平滑和连续的分区,并劝阻相对小的隔板。我们表明分区适应脑组织的主题特定结构变化,同时始终出现在跨对象的类似空间位置。 Autoatlas还产生非常低的维度功能,表示每个分区的本地纹理。我们展示了使用导出的特征表示的与每个对象相关联的元数据的预测,并使用从释放释放解剖局派生的特征进行比较预测结果。由于我们的功能本质上与不同的分区相关联,我们可以映射兴趣的值,例如分区特定的特征重要性分数到大脑上以进行可视化。
translated by 谷歌翻译