级联卷积网络用于无监督的大脑组织细分和偏差场估计

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
• 人工智能的人工智能

背景情况:

• 精确的脑组织细分对于神经成像研究至关重要.
• 监督深度学习 (DL) 方法受到需要手动标记数据集的限制.
• 利用大型未标记的神经成像数据集对于推进细分技术至关重要.

研究的目的:

• 开发一个无监督的深度学习模型,用于关节大脑组织细分和偏差场估计.
• 克服监督学习在脑MRI细分方面的局限性.
• 有效地利用丰富的未标记的大脑成像数据.

主要方法:

• 一个新的无监督深度学习模型,采用级联卷积网络.
• 使用级联模块进行递归偏差场估计和校正.
• 使用高斯混合模型进行强度统计和模型拟合错误作为无监督损失函数的细分模块.

主要成果:

• 无监督DL模型在偏差场校正和大脑组织细分方面都取得了竞争性表现.
• 对HCP-Aging和HCP-Development数据集的定量评估证明了该模型的有效性.
• 该方法显示了与最先进的偏差场校正和无监督细分技术相似的结果.

结论:

• 提出的无监督DL方法为大脑组织细分提供了一个可行的解决方案,没有手动标签.
• 这种方法有效地解决了在神经成像中同时进行偏差场校正和细分.
• 这项研究强调了无监督学习在大规模脑成像数据分析方面的潜力.