应用对比学习和几何展开的 3D-PLI 技术分析人类海马区的区域组织
内容提要
该文综述多项神经影像深度学习研究：利用自监督学习从3D-PLI图像刻画神经纤维；比较二维、堆叠二维、三平面与三维卷积的海马分割效果；以GradCam和SHAP构建可解释框架检测副扣带沟；并通过fMRI探索语义网络、钙成像研究V4区、物理规范化学习加速集成电路重建、球面网格识别胎儿脑指纹及扩散模型合成脑激活图像。
延伸解读
海马分割：不同卷积架构的权衡
文章比较了二维、堆叠二维、三平面和三维卷积在海马分割中的表现。堆叠二维方法比简单二维分类性能更好，且不增加计算量；三平面方法优于二维，但需适度增加算力；完整三维卷积结果略优于三平面，但算力需求极大。这提示实际应用中需根据资源与精度需求选择架构。
可解释性框架揭示副扣带沟检测的偏侧化
研究结合GradCam和SHAP构建3D可解释框架，用于检测副扣带沟。在精神分裂症患者数据中发现，左侧大脑半球检测正确率高于右侧，且不同分类结果有各自的子区域贡献。该框架还能自动公正地注释可变沟，并强调公正注释协议对网络性能公平性的关键作用。
自监督学习提升医学成像的数据效率
文章提出五种自监督学习方法的3D版本，通过三维图像预处理提高语义表示精确性。这些方法在医学成像中实现了数据效率、性能和收敛速度的提升，具有竞争力和可扩展性。这表明自监督学习能减少对大量标注数据的依赖，加速模型训练。
跨领域技术融合推动神经影像分析
文章综述了多项研究，将自监督学习、可解释AI、扩散模型等用于神经影像。例如，物理规范化自监督学习加速集成电路重建，球面网格识别胎儿脑指纹，BrainDiVE合成脑激活图像。这些跨领域方法为理解脑结构和功能提供了新工具，并强调了个体差异和早期发育的重要性。
Q&A
3D-PLI技术如何利用自监督学习来表征神经纤维结构？
文章提到应用自我监督表示学习的完全数据驱动方法，以3D-PLI图像为基础，对神经纤维结构进行特征化。
在海马体分割中，不同的3D卷积架构（如堆叠2D、三平面、3D卷积）在性能和计算效率上有何差异？
文章比较了不同三维海马分割卷积架构：堆叠的2D方法比简单2D块分类性能更好且无需额外计算；三平面方法比2D方法结果更好但需适度增加计算；完整3D卷积比三平面略好但需要非常大的计算能力。
如何构建可解释的深度学习框架来检测副扣带沟？
文章介绍了一种创新的3D可解释性框架，将本地可解释性技术GradCam和SHAP与降维方法结合，通过解释和统计特征的后融合转换，提供局部和全局解释以及分类准确性，揭示贡献子区域。
在胎儿大脑中，形态指纹的识别主要依赖于哪些脑区？
文章提到通过准保角映射将三维球面网格投影到二维平面，利用残差神经网络和对比学习进行个体识别，发现胎儿脑中存在形态指纹，其中感觉运动皮层和视觉皮层是最具贡献的区域。
BrainDiVE是什么？它如何用于视觉探索？
BrainDiVE（Brain Diffusion for Visual Exploration）是一种结合大规模扩散模型和脑图像合成的方法，能从自然图像和功能磁共振成像数据中合成预测激活给定脑区域的图像，并验证了在人类视觉皮层的细粒度功能组织中的应用。
物理规范化深度自监督学习如何加速集成电路的ptycho-laminographic重建？
文章利用物理规范化深度自监督学习结构，加速针对集成电路的ptycho-laminographic重建，仅需采集16倍少的角度样本和4.67倍更快的计算，且重建品质优于完整采集和无学习的密采集重建。
