PETS-Nets:使用解剖学导向网络对胎儿大脑的联合姿势估计和组织细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 胎儿磁共振成像 (MRI) 对于产前诊断至关重要,但受到胎儿运动和母亲呼吸运动的显著阻碍.
• 通过快速的MRI序列,可以获得没有文物的2D切片,但相邻切片之间的运动使3D重建变得复杂.
• 对个体切片进行精确的运动校正对于生成高准确度的3D胎儿大脑MRI至关重要.

研究的目的:

• 开发一种新的多任务学习框架,用于在胎儿MRI中同时进行运动校正和组织细分.
• 为了提高运动校正姿势估计的准确性和组织细分图的质量.
• 通过解决运动诱导的文物来改善胎儿大脑3DMRI的重建.

主要方法:

• 一个从粗到细的多任务学习策略,整合姿势估计和组织细分.
• 一个类似于U-Net的网络在粗阶段,用于共享功能学习.
• 一个精细化阶段,利用来自粗细分的签名距离地图来指导特征学习和提高解剖学准确性.
• 通过基于回归的细分损失进行深度监督,以增强特征表示.

主要成果:

• 显著减少了运动校正的姿势估计误差.
• 与现有的最先进的方法相比,取得了优异的组织细分结果.
• 通过交叉验证,通过不同扫描仪和协议的各种胎儿数据集验证有效性.

结论:

• 拟议的多任务学习框架有效地解决了胎儿MRI中的运动工件.
• 同时学习姿势估计和细分导致改善3D胎儿大脑MRI重建.
• 该方法在不同的成像条件下显示出强大的性能和通用性.