用少样本嵌入表示大脑解剖的规律性和变异性
摘要：大脑解剖结构的有效表示对于理解大脑的规律性和变异性至关重要。尽管有许多努力，但在皮层褶曲模式的巨大个体差异下，仍然很难推断出细小尺度上的可靠解剖一致性。当比较不同神经发育阶段的大脑时，进一步解开共性和个体模式也更具挑战性。在这项工作中，我们开发了一种新的基于学习的少样本嵌入框架，将皮层褶曲模式编码为由一组解剖学上有意义的嵌入向量表示的潜在空间。具体而言，我们采用了3-hinge(3HG)网络作为基础，并设计了基于自编码器的嵌入框架，为每个3HG的多跳特征学习了一个共同的嵌入向量：通过一组个体特定系数，每个3HG可以表示为这些特征嵌入的组合，以表征个体化的解剖信息。也就是说，褶曲模式的规律性被编码进嵌入中，而个体差异则通过多跳组合系数保留。为了有效地学习样本非常有限的群体的嵌入，我们采用了少样本学习。我们将该方法应用于成年HCP和儿童数据集，共包含1000+个大脑（从34周胎龄到年轻成年人）。我们的实验结果表明：1）所学到的嵌入向量可以定量地编码皮层褶曲模式的共性和个体差异；2）利用这些嵌入向量，我们可以稳健地推断不同大脑之间复杂的多对多解剖对应关系；3）我们的模型可以成功地转移到训练样本非常有限的新群体中。
作者：Lu Zhang, Xiaowei Yu, Yanjun Lyu, Zhengwang Wu, Haixing Dai, Lin Zhao, Li Wang, Gang Li, Tianming Liu, Dajiang Zhu
论文ID：2205.13644
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-05-30