学习关节表面的重建和细分,从大脑图像到皮层表面分片

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 医学图像分析 医学图像分析

背景情况:

• 通过MRI进行皮质表面重建和细分对于大脑分析至关重要.
• 现有的多步骤方法是计算密集型和耗时的.

研究的目的:

• 引入SegRecon,这是一个集成的端到端深度学习方法,用于关节皮层表面重建和细分.
• 克服传统的多步骤方法的计算局限性.

主要方法:

• 一个基于体积的神经网络预测了嵌套的皮质表面和它们的地图空间表示的符号距离.
• 该方法共同重建和细分白色到灰色物质接口和平面表面.
• 在MindBoggle,ABIDE和OASIS数据集上进行了实验.

主要成果:

• 与FreeSurfer相比,SegRecon实现了低于0.52mm和0.97mm (平均豪斯多夫距离) 的重建错误.
• 分区结果显示,与FreeSurfer相比,Dice的平均分数有超过4%的改善.
• 计算时间从小时减少到秒.

结论:

• SegRecon为皮层表面重建和细分提供了更快,更准确的解决方案.
• 综合深度学习方法显示了推进大规模神经成像研究的潜力.