传统上,使用漫长的图像处理技术(如FreeSurfer,Cat或civet)解决了磁共振成像的皮质表面重建问题。这些框架需要很长的时间来实时应用不可行,并且对于大规模研究而言是不可行的。最近,已经引入了监督的深度学习方法,以加快这项任务,从而将重建时间从小时到几秒钟。本文将最新的皮质流模型作为蓝图,提出了三个修改,以提高其与现有的表面分析工具的准确性和互操作性,同时又不牺牲其快速推理时间和较低的GPU记忆消耗。首先,我们采用更准确的ODE求解器来减少差异映射近似误差。其次,我们设计了一个例程来产生更平滑的模板网格,避免了由皮质流的基于凸形壳模板中尖锐边缘引起的网格伪像。最后,我们重新铸造表面预测为预测的白色表面的变形,从而导致白色和伴侣表面顶点之间的一对一映射。该映射对于许多现有的表面形态计量学的表面分析工具至关重要。我们将结果方法命名CorticalFlow $^{++} $。使用大规模数据集,我们证明了所提出的更改提供了更高的几何准确性和表面规律性,同时几乎保持了重建时间和GPU记忆要求几乎没有变化。
translated by 谷歌翻译