使用卷積變分自編碼器 (CVAE) 從小型族群數據生成合成的基於纖維追蹤的束模板
基於纖維追蹤的束模板用來研究大腦的白質。然而，標準的白質圖譜通常是從年輕、健康的成年人創建的，可能無法代表其他族群，例如兒童或患有神經退行性疾病的人。之前使用自編碼器生成合成束的研究受到需要大型數據集的限制，並且可能受到訓練數據中假陽性數量的影響。
卷積變分自編碼器的提議
作者提出了一種卷積變分自編碼器 (CVAE)，可以從小型族群數據生成合成的基於纖維追蹤的束模板。這個CVAE有三層，使用大小為127、63和31的核，並且使用泄漏ReLU激活函數，潛在空間的大小為6。“每個受試者的所有流線都被標準化以適應一個標準球體，球心和半徑是根據圖譜數據計算的” [sic]。
為了從潛在空間中抽樣流線，針對每個束訓練一個核密度估計器 (KDE)。KDE用來過濾解碼後的樣本，以去除低於對數似然閾值的流線。
數據
該模型在ADNI數據集中訓練了50名認知正常 (CN) 受試者，並在同一數據集上測試了91名CN、輕度認知障礙 (MCI) 和阿茲海默症 (AD) 受試者。
束形狀相似性比較
作者使用束分析 (BUAN) 框架中的束形狀相似性 (SM) 來比較解碼的束與圖譜和特定受試者的束。
全腦纖維追蹤分割
作者還使用訓練好的KDE進行全腦纖維追蹤分割，再次根據KDE的流線對數似然進行操作。
作者使用CVAE來學習流線的緊湊表示，然後使用KDE來建模學習到的潛在空間內形狀的分佈。這使得生成合成的束模板成為可能，這些模板捕捉到特定族群的形狀特徵，並且能夠對全腦纖維追蹤進行分割。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
