[Seminar] Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation

Résumé: La géométrie corticale variable du cerveau crée de nombreux défis pour son analyse. Des développements récents ont permis d'apprendre les données corticales directement sur plusieurs surfaces cérébrales via des convolutions graphiques. Cependant, les algorithmes actuels d'apprentissage de graphes échouent lorsque les données de surface du cerveau sont mal alignées entre les sujets, ce qui nécessite d'appliquer une procédure d'alignement coûteuse lors du prétraitement. L'entraînement contradictoire est largement utilisé pour l'adaptation de domaine non supervisée afin d'améliorer les performances de segmentation sur les données cibles dont la distribution diffère des données source de l'entraînement. Dans cet article, nous exploitons cette technique pour apprendre les données de surface sur des alignements de graphes incohérents. Cette nouvelle approche comprend un segmentateur qui utilise des couches de convolution de graphes pour permettre la parcellisation à travers des surfaces cérébrales de géométrie variable, et un discriminateur qui prédit le domaine d'alignement des surfaces à partir de leur segmentation. En essayant de tromper le discriminateur, l'entraînement contradictoire apprend une représentation invariante d'alignement qui produit des parcellations cohérentes pour des surfaces alignées différemment. En utilisant la surface cérébrale étiquetée manuellement de MindBoggle, le plus grand ensemble de données accessible au public de ce type, nous démontrons une amélioration de 2% à 13% des dés moyens par rapport à une stratégie d'entraînement non contradictoire, pour tester des surfaces cérébrales sans alignement ou alignées sur référence que les exemples de source.