Core Concepts
本研究では、入力データの変動性と不確実性に対する頑健性を高めるために、自己注意メカニズムを組み込んだ、機能的MRIのスライス-ボリューム登録のためのエンドツーエンドモデルを提案する。
Abstract
本研究では、機能的MRI(fMRI)データの取得中に生じる頭部運動に起因するスライスレベルの歪みを補正するための、自己注意メカニズムを備えたエンドツーエンドのスライス-ボリューム登録(SVR)モデルを提案している。
主な特徴は以下の通り:
スライスエンコーダとボリュームエンコーダの2つのブランチを持つデュアルエンコーダアーキテクチャを採用し、2D画像と3D空間情報のバランスの取れた活用を実現している。
自己注意メカニズムを導入し、各入力スライスに対してピクセルごとのスコアを予測することで、入力データの変動性と不確実性に対する頑健性を高めている。
合成剛体変形を用いた実験の結果、従来手法と比較して優れた登録精度と高速な実行時間を示している。
fMRIデータの動きの補正実験では、動き補正後の信号強度変化が小さくなることを確認した。
本手法は、fMRI撮像中の即時頭部運動追跡を可能にし、入力データの不確実性に対する信頼性と頑健性を高めることができる。
Stats
剛体変換パラメータの推定誤差(Erot)は0.12±0.057度である。
剛体変換パラメータの推定誤差(Etr)は0.35±0.22 mmである。
登録後の格子点間の距離誤差(Dreg)は0.93±0.59 mmである。