胎儿大脑组织注释和细分挑战结果
Kelly Payette1, Hongwei Bran Li2, Priscille de Dumast3
1Center for MR Research, University Children's Hospital Zurich, University of Zurich, Zurich, Switzerland; Neuroscience Center Zurich, University of Zurich, Zurich, Switzerland.
Medical image analysis
|June 2, 2023
概括
使用深度学习对胎儿大脑MRI的自动细分对于产前神经发育分析至关重要. 胎儿组织注释 (FeTA) 挑战对21个算法进行了基准测试,其中一个不对称的U-Net显示出卓越的性能.
科学领域:
- 医疗成像医学成像
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 在子宫内胎儿MRI对于诊断和分析发育中的人类大脑至关重要.
- 胎儿大脑结构的手动细分是耗时的,容易出错的,并且具有观察者间的可变性.
- 自动细分对于在研究和临床环境中对产前神经发育进行定量分析至关重要.
研究的目的:
- 鼓励开发用于胎儿大脑的自动细分算法.
- 为在子宫内发育的人类大脑建立自动多组织细分算法的基准.
主要方法:
- 2021年胎儿组织注释 (FeTA) 挑战利用了FeTA数据集,这是胎儿大脑MRI重建的开放数据集.
- 20个国际团队提交了21个算法,主要基于像U-Nets这样的深度学习方法.
- 基于技术和临床观点评估了对7种不同的胎儿脑组织进行细分的算法.
主要成果:
- 所有参与的深度学习算法,主要是U-Nets,在各种架构和处理步骤中表现相似.
- 在五个表现最好的团队中,有四个团队采用了集体学习方法.
- 一个使用非对称U-Net架构的算法,与其他提交相比,显示出明显优异的性能.
结论:
- 深度学习,特别是U-Net变体,显示出对胎儿大脑自动细分的承诺.
- FeTA挑战为产前神经成像分析的未来进展提供了有价值的基准.
- 对非对称U-Nets等专业架构的进一步研究可以提高细分精度.
