Vertex Correspondence and Self-Intersection Reduction in Cortical Surface Reconstruction
Notice bibliographique
Résumé
Mesh-based cortical surface reconstruction is essential for neuroimaging, enabling precise measurements of brain morphology such as cortical thickness. Establishing vertex correspondence between individual cortical meshes and group templates allows vertex-level comparisons, but traditional methods require time-consuming post-processing steps to achieve vertex correspondence. While deep learning has improved accuracy in cortical surface reconstruction, optimizing vertex correspondence has not been the focus of prior work. We introduce Vox2Cortex with Correspondence (V2CC), an extension of Vox2Cortex, which replaces the commonly used Chamfer loss with L1 loss on registered surfaces. This approach improves inter- and intra-subject correspondence, which makes it suitable for direct group comparisons and atlas-based parcellation. Additionally, we analyze mesh self-intersections, categorizing them into minor (neighboring faces) and major (non-neighboring faces) types.To address major self-intersections, which are not effectively handled by standard regularization losses, we propose a novel Self-Proximity loss, designed to adjust non-neighboring vertices within a defined proximity threshold. Comprehensive evaluations demonstrate that recent deep learning methods inadequately address vertex correspondence, often causing inaccuracies in parcellation. In contrast, our method achieves accurate correspondence and reduces self-intersections to below 1% for both pial and white matter surfaces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».