MAS-CL:一个端到端的多图表监督对比学习框架,用于大脑ROI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:

• 精确的大脑兴趣区域 (ROI) 细分对于神经学分析至关重要.
• 对于大脑ROI细分的深度学习受到不足的注释数据的阻碍.

研究的目的:

• 提出一个新的多图表监督对比学习框架 (MAS-CL) 用于使用MR图像进行端到端的大脑ROI细分.
• 为了应对基于深度学习的大脑细分的有限注释数据的挑战.

主要方法:

• 开发了一种两步的MAS-CL框架: 1) 多图表监督的对比学习用于使用有限的voxel级标记MR图像进行潜伏表示,以及 2) 使用预训练的骨干进行大脑ROI细分.
• 利用多地图的监督信息来预训练骨干,通过输入和地图图像的标签地图定义样本对相关性.

主要成果:

• 在五个不同的数据集 (LONI-LPBA40,IXI,OASIS,ADNI,CC359) 上评估了MAS-CL框架.
• 实验结果表明,在所有测试的数据集中,大脑ROI细分性能显著改善.
• 拟议的方法有效地利用有限的标签数据来增强细分.

结论:

• 该MAS-CL框架提供了一个强大的解决方案,用于从MR图像中对大脑ROI进行细分,特别是在低数据模式下.
• 这种方法显著提高了细分精度,为更可靠的脑分析铺平了道路.
• 该研究强调了多图表监督对比学习在医疗图像细分中的潜力.