近日，一項發表在arXiv上的研究提出了一種名為Trans-Unet的新型框架，用於從三維點雲資料高保真地預測大腦摺疊形態。該研究由Geran Zhao等人完成，旨在解決三維點雲學習中的關鍵挑戰，包括排列不變性、缺乏區域性上下文、精細表面重建困難以及高計算成本。
Trans-Unet的核心創新在於首先將三維點雲資料轉換到二維網格域，然後採用U型混合模型，整合卷積神經網路（CNN）和自注意力機制。這種設計充分利用了各元件的互補優勢：三維到二維的轉換保留了精細的結構資訊，同時顯著降低了計算成本和維度災難的影響；卷積模組捕獲層次化的低階區域性表示；而自注意力機制則建模全域性高階語義和長距離依賴關係。
研究團隊使用了一個由大規模有限元模型生成的資料集，包含腦表面斑塊和纖維資訊的三維點雲，其中表麵點有40,401個，纖維點有2,382個。Trans-Unet被應用於從初始狀態（狀態0或狀態0-2）預測最終狀態（狀態3）的腦表面摺疊。實驗結果顯示，Trans-Unet能夠實現高解析度的腦斑塊生長預測，在保真度和準確性方面均超越了現有方法。
這項研究為神經科學中的腦摺疊形態預測提供了新的技術路徑，有望應用於理解大腦發育及相關疾病的機制。論文程式碼和資料尚未公開，但研究者已提供詳細的框架描述和實驗設定。該論文的預印本可以在arXiv上獲取，編號為2607.21840。