36、新生儿皮质表面重建：条件时间注意力网络的创新突破

新生儿皮质表面重建：条件时间注意力网络的创新突破

1. 研究背景与动机

皮质表面重建在围产期大脑快速发育建模中起着关键作用。传统神经影像分析管道（如 FreeSurfer）虽为研究界提供了重要服务，但存在精度有限且处理单个 MRI 扫描需数小时的问题。随着几何深度学习的发展，许多基于学习的快速方法被提出，旨在学习隐式表面表示或显式网格变形以进行皮质表面重建。这些方法提高了精度并将处理时间缩短至几秒，但大多数依赖成人 MRI 作为训练数据。

与成人数据相比，新生儿脑 MR 图像分辨率和对比度较低，皮质在围产期快速生长且复杂度不断增加，不同胎龄的新生儿皮质表面形状和尺度差异大，足月新生儿的皮质沟比成人更窄，其软脑膜表面易受部分容积效应影响，更易产生表面自相交问题。

2. CoTAN 方法介绍

2.1 条件时间注意力网络（CoTAN）概述

CoTAN 是一种用于新生儿皮质表面重建的快速端到端框架。它从新生儿脑磁共振图像（MRI）中预测多分辨率静止速度场（SVF），并引入注意力机制来学习条件时变速度场（CTVF）。具体步骤如下：
1. 预测多分辨率 SVF ：给定 3D 脑 MRI 体积，使用 3D U - Net 提取具有 R 个分辨率级别的特征图，每个级别将输入大小按 2^(r - R) 缩放（r = 1, …, R）。然后上采样多尺度特征图，并为每个分辨率学习 M 个体积 SVF。所有 R×M 离散 SVF 用 V 表示，连续多分辨率 SVF v(x) = Lerp(x, V)，其中 Lerp(·) 是三线性插值函数。
2. 学习条件时间注意力图