增强层次变压器以进行全脑细分,并与内测量进行整合

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:

• 通过MRI对整个大脑进行细分对于非侵入性大脑区域测量至关重要.
• 现有的方法缺乏对内测量的全面性,例如总内体积 (TICV) 和后体积 (PFV).
• 对内测量的深度学习受到有限的注释数据的阻碍.

研究的目的:

• 使用UNesT等级变压器来增强整个大脑的细分.
• 同时细分133个全脑类,包括TICV和PFV.
• 为解决神经成像深度学习中的数据稀缺性挑战.

主要方法:

• 在来自不同站点的4859个T1加权3D卷上训练UNesT模型.
• 使用多地图集细分管道进行初始标签生成.
• 在45个OASIS数据集卷上微调模型,其中包括完整的大脑和TICV/PFV标签.

主要成果:

• 增强的UNesT模型实现了TICV和PFV的精确估计.
• 132个大脑区域的性能与现有方法相比仍然相当.
• 使用子相似系数 (DSC) 的评估证实了准确性.

结论:

• 拟议的方法有效地将TICV和PFV细分集成到全脑分析中.
• 这种方法克服了深度学习在内测量的数据限制.
• UNesT模型为全面的大脑结构分析提供了强大的解决方案.