在MR图像中使用基于深度注册的标签传播的半自动肌肉细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用卷积神经网络 (CNN) 的自动化肌肉细分在磁共振成像 (MR) 中表现有希望,但需要广泛的训练数据.
• 在儿科和罕见疾病队伍中,手动细分肌肉是耗时和劳动密集的,特别是对于3D卷.

研究的目的:

• 开发一种新的3D肌肉细分方法,利用有限数量的注释2D切片.
• 为了提高罕见疾病和儿科患者肌肉细分的效率和准确性.

主要方法:

• 提出了一种基于注册的标签传播技术,用于3D肌肉细分.
• 采用无监督的深度注册方案,以确保解剖学一致性.
• 实现了一个损失函数,惩罚跨注释切片的不一致细分.

主要成果:

• 与最先进的方法相比,开发的几次射击多标签细分模型取得了更高的性能.
• 在腿下部和肩膀关节的MR数据上证明有效性.
• 显著减少了对广泛的手册注释的需求.

结论:

• 提出的方法为3D肌肉细分提供了一个有效的解决方案,使用有限的注释数据.
• 这种方法有可能加速儿科和罕见疾病肌肉成像研究.
• 基于注册的标签传播是一种可行的策略,用于少数镜头的医疗图像细分.