피질 고랑(cortical sulci)의 식별은 피질의 기능적 및 구조적 발달을 이해하는 데 핵심이다. 대부분의 연구에서 크고 일관된 고랑(또는 일차/이차 고랑)에 상당한 주의를 기울여 왔지만, 더 작고 변이가 큰 고랑(또는 추정되는 삼차 고랑, putative tertiary sulci)에 대한 탐색은 상대적으로 덜 연구되어 있다. 그 중요성에도 불구하고, 피질 고랑의 자동 라벨링은 (1) 실질적인 해부학적 변이의 존재, (2) 라벨이 없는 영역에 비해 관심영역(ROI)의 상대적으로 작은 크기, 그리고 (3) 주석된 라벨의 부족으로 인해 어렵다. 본 논문에서는 구면 합성곱 신경망(CNN)을 사용하는 새로운 종단간(end-to-end) 학습 프레임워크를 제안한다. 구체적으로, 제안된 방법은 학습된 변형(warping)이 고랑 라벨링을 용이하게 하는 방향으로 기하학적 특징을 효과적으로 왜곡(warp)하는 법을 학습하되, 해부학적 변이의 영향을 완화한다. 또한, 학습된 워핑에 의해 유도된 변형의 정도를 고려하는 유도된(attention) 메커니즘을 도입한다. 이는 변별적인 특징을 추출하여 고랑 ROI를 강조하는 한편, 라벨이 없는 영역의 관련 없는 정보를 억제한다. 실험에서는 후방 내측 피질(posterior medial cortex)의 8개 고랑에 대해 제안된 방법을 평가한다. 본 방법은 특히 추정되는 삼차 고랑에서 기존 방법들보다 성능이 우수하다. 코드는 https://github.com/Shape-Lab/DSPHARM-Net 에서 공개되어 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.