通过广泛的数据增强和自适应性知识转移,对新型白质道进行一次性细分

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 机器学习 机器学习

背景情况:

• 在扩散磁共振成像 (dMRI) 中精确的白质 (WM) 管道细分对于神经科学研究至关重要.
• 卷积神经网络 (CNN) 已经显示出希望,但需要大量的注释数据,这是昂贵和耗时的,特别是对于新的路径.

研究的目的:

• 在dMRI中开发一种有效的一次性细分方法,用于新的白质片段,大大减少对手册注释的需求.
• 为了应对有限数据,过度匹配和知识遗忘在一次性学习场景中的挑战.

主要方法:

• 采用预培训/微调框架,将细分知识从现有的转移到新的WM领域.
• 基于图像掩盖的新型数据增强策略被引入,以生成合成训练数据.
• 建议采用适应性知识转移策略,以减轻微调过程中过度适应和知识遗忘.
• 用单独的增强策略训练的多个细分模型被合并为最终预测.

主要成果:

• 拟议的方法证明了在两种dMRI数据集 (公共和内部) 上的一次性分段新型WM片段的改进性能.
• 数据增强和适应性知识转移的结合有效地处理了注释数据的稀缺性.
• 模型融合减轻了来自不同数据增强策略的潜在冲突,提高了整体细分的稳定性.

结论:

• 开发的一次性细分方法显著提升了用最小的注释数据细分新型白质片段的能力.
• 这种方法为在dMRI研究中面临注释限制的研究人员提供了实用解决方案.
• 这些发现为更高效,更可扩展的脑连接分析铺平了道路.